DATA MART COMO PARTE DE UNA SOLUCION DE INTELIGENCIA …

UNIVERSIDAD NACIONAL SANTIAGO ANTUNEZ DE MAYOLO

FACULTAD DE CIENCIAS

ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

“DATA MART COMO PARTE DE UNA SOLUCION DE

INTELIGENCIA DE NEGOCIOS, PARA EL SOPORTE

DE LA TOMA DE DECISIONES DE LA GESTIÓN

ACADÉMICA DE LA FACULTAD DE CIENCIAS EN LA

UNASAM”

TESIS

PARA OPTAR EL TÍTULO DE

INGENIERO DE SISTEMAS E INFORMÁTICA

AUTOR

BACH. DURAN COLONIA EVELYN ANABEL

ASESOR

ING. FLORES CHACÓN ERICK GIOVANNY

HUARAZ – PERU

2017

Nº Registro. T042

i

A la memoria Estanislao Durán quien fue la fuente

de inspiración, ejemplo de sabiduría, humildad y

perseverancia.

A mis padres Angel y Aurora que me dedicaron un

tiempo especial.

Evelyn.

ii

AGRADECIMIENTOS

A Dios por ser fuente de vida, y ser el soporte de todas las acciones realizadas

durante mi formación profesional.

Así mismo a la Facultad de Ciencias de la Universidad Nacional Santiago

Antúnez de Mayolo, en la persona de los Jefes de Departamento y Directores de

Escuela por el apoyo brindado para la realización de la presente investigación.

A la Escuela Profesional de Ingeniería de Sistemas e Informática de la Facultad

de Ciencia de la Universidad Nacional Santiago Antúnez de Mayolo, en la persona de

los docentes por su profesionalismo y su dedicación en la formación profesional.

Al asesor Ing. Erick Flores Chacón, por sus acertadas orientaciones, el soporte

profesional oportuno y el tiempo dedicado para el desarrollo de la presente

Investigación.

iii

PRESENTACIÓN

Señores Miembros del Jurado Calificador:

En cumplimiento con el reglamento de grados y títulos de la Escuela

Académico- Profesional de Ingeniería de sistemas e Informática, Facultad de Ciencias,

de la Universidad Nacional Santiago Antúnez de Mayolo, me permito presentar la tesis

titulada “Data Mart como parte de una solución de inteligencia de negocios, para el

soporte de la toma de decisiones de la gestión académica de la facultad de ciencias en

la UNASAM”, que es el producto de la inquietud por determinar como la aplicación

de un Data Mart, utilizando inteligencia de Negocios, influye en la toma de decisiones

de la gestión académica de la Facultad de Ciencias de la Universidad Nacional

Santiago Antúnez de Mayolo.

iv

HOJA DE VISTO BUENO

Ing. NARRO CACHAY CESAR AUGUSTO

PRESIDENTE

Reg. CIP Nº 169491

Ing. MEDINA VILLACORTA ALBERTO MARTIN

SECRETARIO

Reg. CIP Nº 143211

Ing. FLORES CHACON ERICK GIOVANNY

VOCAL

Reg. CIP Nº 89540

v

RESUMEN

La presente investigación pretende implementar un Data Mart, como parte de

una solución de inteligencia de negocio, para mejorar el proceso de Toma de

Decisiones en la Gestión Académica de Facultad de Ciencias en la UNASAM.

El estudio responde a una metodología experimental, diseño cuasi-

experimental, y el método general empleado fue la experimental, la muestra de estudio

estuvo constituida por los tomadores de decisiones de la Facultad de Ciencias, siendo

el grupo experimental la Escuela de Ingeniería de Sistemas e Informática y el grupo

control conformada por la Escuela de Estadística e Informática y la escuela de

Matemática. para la contratación de la hipótesis se utilizó la prueba de hipótesis de t-

student.

Cuya conclusión arribada fue, la implementación de un Data Mart, como parte

de una solución de inteligencia de negocio, se mejora significativamente el proceso de

Toma de Decisiones en la Gestión Académica de Facultad la Ciencias de la UNASAM.

Según los resultados el 66.7% de los tomadores de decisiones se encuentra en el nivel

muy bueno y el 33.3% de los tomadores de decisiones en el nivel bueno. El p=0,000

siendo altamente significativo; por lo que queda demostrado que el Data Mart, como

parte de una solución de inteligencia de negocio, se mejora significativamente el

proceso de Toma de Decisiones en la Gestión Académica de Facultad la Ciencias de

la UNASAM (ver Cuadro Nº 55, Gráfico Nº 1 y gráfico Nº 2).

Palabras Claves: Data Mart – Inteligencia de Negocios – Toma de decisiones,

Metodología DWEP, Gestión Académica.

vi

ABSTRACT

The present research intends to implement a Data Mart, as part of a business

intelligence solution, to improve the process of Decision Making in the Academic

Management of Faculty of Sciences in “Santiago Antunez de Mayolo” University.

This research has an experimental methodology, quasi-experimental design,

and the general method employed was experimental method, the study sample was

constituted by the decision makers of the Faculty of Sciences, the experimental group

being the School of Systems Engineering and Computer Science And the control group

formed by the School of Statistics and Informatics and the school of Mathematics. The

t-student hypothesis test is used to contract the hypothesis.

Whose conclusion was reached, the implementation of a Data Mart, as part of

a business intelligence solution, is the process of growth of Decision Making in

Academic Management of the Faculty of Sciences of UNASAM. According to the

results, 66.7% of the decision-makers are at the very good level and 33.3% of the

decision-makers at the good level. P = 0.000 being highly significant; Therefore, it is

demonstrated that the Data Mart, as part of a business intelligence solution, is the

process of growth of Decision Making in the Academic Management of the Faculty of

Sciences of UNASAM (see Table Nº 55, figure Nº 1 and Graphic Nº 2).

Key words: Data Mart – Business Intelligence – Decision Making, DWEP

methodology, Academic management.

vii

SUMARIO

AGRADECIMIENTOS ............................................................................................... ii

PRESENTACIÓN ....................................................................................................... iii

HOJA DE VISTO BUENO ......................................................................................... iv

RESUMEN ............................................................................................................ v

ABSTRACT ........................................................................................................... vi

SUMARIO .......................................................................................................... vii

SUMARIO DE CUADROS ....................................................................................... xii

SUMARIO DE FIGURAS ......................................................................................... xv

SUMARIO DE GRÁFICOS .................................................................................... xvii

CAPÍTULO I .......................................................................................................... 18

GENERALIDADES .................................................................................................. 18

1.1. REALIDAD PROBLEMÁTICA ...................................................................... 18

1.2. ENUNCIADO DEL PROBLEMA ................................................................... 21

1.2.1. GENERAL ............................................................................................ 21

1.2.2. ESPECÍFICOS ...................................................................................... 21

1.3. HIPÓTESIS ...................................................................................................... 21

1.3.1. GENERAL ............................................................................................ 21

1.3.2. ESPECÍFICO ........................................................................................ 22

1.4. OBJETIVOS ..................................................................................................... 23

1.4.1. GENERAL ............................................................................................ 23

1.4.2. ESPECÍFICOS ...................................................................................... 23

1.5. JUSTIFICACIÓN ............................................................................................. 23

1.6. LIMITACIONES .............................................................................................. 25

1.7. DESCRIPCIÓN Y SUSTENTACIÓN DE LA SOLUCIÓN ........................... 26

1.7.1. DESCRIPCIÓN DE LA SOLUCIÓN .................................................. 26

1.7.1.1. FUNCIONALIDAD ....................................................................... 26

1.7.1.2. MODELO MULTIDIMENSIONAL .............................................. 26

1.7.1.3. PROCESO ETL .............................................................................. 27

1.7.1.4. HERRAMIENTA DE EXPLOTACIÓN ........................................ 28

viii

1.7.2. SUSTENTACIÓN DE LA SOLUCIÓN .............................................. 28

1.7.2.1. SOLUCIÓN DE INTELIGENCIA DE NEGOCIOS ...................... 29

1.7.2.2. CREACIÓN DE DATA MART ..................................................... 29

CAPÍTULO II .......................................................................................................... 31

MARCO TEÓRICO ................................................................................................... 31

2.1. ANTECEDENTES ........................................................................................... 31

2.2. INTELIGENCIA DE NEGOCIOS ................................................................... 34

2.2.1. ARQUITECTURAS DE INTELIGENCIAS DE NEGOCIOS............ 35

2.2.2. COMPONENTES DE UN SISTEMA DE INTELIGENCIA DE

NEGOCIO ............................................................................................ 35

2.3. DATA WAREHOUSE ..................................................................................... 39

2.4. DATA MART ................................................................................................... 44

2.5. ARQUITECTURA DATA MART .................................................................. 45

2.6. MODELO DIMENSIONAL ............................................................................ 45

2.6.1. MODELO MULTIDIMENSIONAL CONCEPTUAL ........................ 46

2.6.2. MODELO MULTIDIMENSIONAL LÓGICO ................................... 47

2.7. HERRAMIENTAS ETL ................................................................................... 50

2.8. INGENIERÍA DE SOFTWARE ...................................................................... 51

2.8.1. PROCESO DE INGENIERÍA DE DATA WAREHOUSE ................. 52

2.8.1.1. FASES ................................................................................... 53

2.8.1.2. DISCIPLINAS................................................................................ 54

2.8.1.3. ENTREGABLES ............................................................................ 56

2.8.1.4. ARQUITECTURA DE UN DATA WAREHOUSE....................... 59

2.8.1.5. ESQUEMAS .................................................................................. 60

2.9. TOMA DE DECISIONES ................................................................................ 62

2.9.1. EL PROCESO DE TOMA DE DECISIONES .................................... 64

2.9.2. SISTEMAS DE SOPORTE A LA TOMA DE DECISIONES ............ 66

2.9.3. HERRAMIENTAS DE TOMA DE DECISIONES ............................. 68

2.9.4. GESTIÓN ACADÉMICA .................................................................... 68

2.10. DEFINICIÓN DE TÉRMINOS ........................................................................ 70

CAPÍTULO III .......................................................................................................... 74

ix

MATERIALES Y MÉTODOS .................................................................................. 74

3.1. TIPO DE ESTUDIO ......................................................................................... 74

3.2. DISEÑO DE ESTUDIO ................................................................................... 75

3.3. POBLACIÓN Y MUESTRA ........................................................................... 76

3.3.1. POBLACIÓN ....................................................................................... 76

3.3.2. MUESTRA ........................................................................................... 76

3.3.3. MUESTREO ........................................................................................ 76

3.4. TÉCNICAS E INSTRUMENTOS DE RECOLECCIÓN DE DATOS ........... 77

3.5. TÉCNICAS DE PROCESAMIENTO Y ANÁLISIS DE LA INFORMACIÓN .

.......................................................................................................... 78

3.6. MATERIALES ................................................................................................. 78

3.7. MÉTODOS ....................................................................................................... 79

3.7.1. MÉTODO GENERAL ......................................................................... 79

3.7.2. MÉTODOS ESPECÍFICOS: ................................................................ 79

3.8. OPERACIONALIZACIÓN DE VARIABLES ................................................ 80

3.9. PROCEDIMIENTO .......................................................................................... 81

3.9.1. IDENTIFICACIÓN DE REQUERIMIENTOS ................................................ 81

3.9.2. DISEÑO DEL DATA MART .......................................................................... 82

3.9.3. COMPROMETER A LOS STAKEHOLDER ................................................. 82

CAPÍTULO IV .......................................................................................................... 83

ANÁLISIS .......................................................................................................... 83

4.1. ANÁLISIS DE LA SITUACIÓN ACTUAL .................................................... 83

4.1.1. ANÁLISIS DEL ORGANIGRAMA FUNCIONAL ESTRATÉGICO 83

4.1.2. EVALUACIÓN DE LA CAPACIDAD INSTALADA ....................... 85

4.1.3. ANÁLISIS DE LAS FORTALEZAS, OPORTUNIDADES,

DEBILIDADES Y AMENAZAS ........................................................ 87

4.1.4. ANÁLISIS DE LA SITUACIÓN ACTUAL ....................................... 89

4.2. IDENTIFICACIÓN Y DESCRIPCIÓN DE REQUERIMIENTOS................. 91

4.2.1. REQUERIMIENTOS FUNCIONALES .............................................. 91

4.2.2. REQUERIMIENTOS NO FUNCIONALES ....................................... 94

4.3. ANÁLISIS DE REQUERIMIENTOS .............................................................. 95

x

4.3.1. DIAGRAMA DE CONTEXTO ........................................................... 95

4.4. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL .......................................... 96

CAPÍTULO V .......................................................................................................... 98

DISEÑO DE LA SOLUCIÓN ................................................................................... 98

5.1. ARQUITECTURA TECNOLÓGICA DE LA SOLUCIÓN ............................ 98

5.1.1. FUENTES DE INFORMACIÓN ......................................................... 99

5.1.2. ETL ..................................................................................................... 100

5.1.3. DATA MART ..................................................................................... 102

5.1.4. OLAP .................................................................................................. 103

5.1.5. INTERFAZ DE USUARIO ................................................................ 103

5.2. ANÁLISIS DIMENSIONAL ......................................................................... 104

5.2.1. DISEÑO CONCEPTUAL DEL DATA MART ................................. 104

5.2.1.1. ESQUEMA CONCEPTUAL DEL DATA MART - NIVEL 1 ..... 104



5.3. DISEÑO DE EXTRACCIÓN ........................................................................ 111

5.4. DISEÑO DE EXPLOTACIÓN ...................................................................... 113

CAPÍTULO VI ........................................................................................................ 116

CONSTRUCCIÓN DE LA SOLUCIÓN ................................................................. 116

6.1. CONSTRUCCIÓN ......................................................................................... 116

6.1.1. HERRAMIENTAS Y SOLUCIONES ............................................... 117

6.1.1.1. BASE DE DATOS ......................................................................... 117

6.1.1.2. FRAMEWORK .............................................................................. 117

6.1.1.3. LENGUAJE DE PROGRAMACIÓN............................................ 118

6.1.2. ESPECIFICACIÓN DE CONSTRUCCIÓN ...................................... 118

6.1.3. PROCEDIMIENTOS DE OPERACIÓN Y ADMINISTRACIÓN.... 119

6.1.4. PROCEDIMIENTOS DE SEGURIDAD Y CONTROL DE ACCESO ..

........................................................................................................ 120

6.1.5. PROCEDIMIENTOS DE OPERACIÓN Y MANUALES DEL

USUARIO. ..................................................................................................... 122

xi

6.1.6. CONSTRUCCIÓN DE LOS COMPONENTES Y

PROCEDIMIENTOS DE MIGRACIÓN Y CARGA INICIAL DE DATOS 122

6.2. PRUEBAS ...................................................................................................... 123

6.2.1. CASO DE PRUEBA PARA ETL ESTUDIANTE ............................. 125

6.2.2. CASO DE PRUEBA PARA ETL CURRICULA ............................... 128

6.2.3. CASO DE PRUEBA PARA ETL DOCENTE ................................... 131

6.2.4. CASO DE PRUEBA PARA ETL MODALIDAD_APROBACION . 135

6.2.5. CASO DE PRUEBA PARA ETL SEMESTRE ................................. 137

6.2.6. CASO DE PRUEBA PARA EL HECHO COMPORTAMIENTO

ACADÉMICO ESTUDIANTE ...................................................................... 139


ACADÉMICO DOCENTE ............................................................................ 141

CAPÍTULO VII ....................................................................................................... 144

IMPLEMENTACIÓN .............................................................................................. 144

7.1. MONITOREO Y EVALUACIÓN DE LA SOLUCIÓN. .............................. 144

7.1.1. ELEMENTOS DEL MONITOREO Y EVALUACIÓN. ................... 145

7.1.2. POLÍTICAS Y REGLAS DE PROCEDIMIENTO ............................ 145

7.1.3. PLAN DE MONITOREO Y EVALUACIÓN.................................... 146

7.2. BITÁCORA Y PUESTA A PUNTO. ............................................................. 147

7.2.1. MIGRACIÓN Y CARGA INICIAL DE DATOS. ............................. 147

7.2.2. APROBACIÓN DE LA SOLUCIÓN TECNOLÓGICA ................... 148

CAPÍTULO VIII ...................................................................................................... 149

RESULTADOS ........................................................................................................ 149

CAPÍTULO IX ........................................................................................................ 156

DISCUSIÓN DE RESULTADOS ........................................................................... 156

CONCLUSIONES ................................................................................................... 160

RECOMENDACIONES .......................................................................................... 162

REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 163

xii

SUMARIO DE CUADROS

CUADRO Nº 01. DIFERENCIAS ENTRE OLTP Y OLAP ................................................ 42

CUADRO Nº 02.ENTREGABLES POR DISCIPLINAS DEL DWEP ................................ 57

CUADRO Nº 03. DISEÑO DE UN DATA WAREHOUSE ................................................. 60

CUADRO Nº 04. POBLACIÓN JERÁRQUICA. ................................................................. 76

CUADRO Nº 05. RECURSOS MATERIALES ................................................................... 78

CUADRO Nº 06. RECURSOS EN EQUIPOS ..................................................................... 79

CUADRO Nº 07. OPERACIONALIZACIÓN DE VARIABLES ........................................ 81

CUADRO Nº 08. PERSONAL DE LA FACULTAD DE CIENCIAS.................................. 86

CUADRO Nº 09. MATRIZ DE FORTALEZAS, OPORTUNIDADES, DEBILIDADES Y

AMENAZAS ........................................................................................................................ 87

CUADRO Nº 10. ESTRATEGIAS DEL ANÁLISIS FODA ................................................ 88

CUADRO Nº 11. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL ................................... 97

CUADRO Nº 12. FACTS VS DIMENSIONES .................................................................. 111

CUADRO Nº 13. MAPEO DE DATOS DEL DATA MART DE LA TABLA

ESTUDIANTE .................................................................................................................... 111

CUADRO Nº 14. MAPEO DE DATOS DEL DATA MART DE LA TABLA DOCENTE

............................................................................................................................................ 112

CUADRO Nº 15. MAPEO DE DATOS DEL DATA MART DE LA TABLA SEMESTRE

............................................................................................................................................ 112


MODALIDADAPROBACION .......................................................................................... 112


COMACADESTUDIANTE................................................................................................ 112

CUADRO Nº 18. MAPEO DE DATOS DEL DATA MART DE LA TABLA COMPDOC

............................................................................................................................................ 113

CUADRO Nº 19. MAPEO DE DATOS DEL DATA MART DE LA TABLA CURRICULA

............................................................................................................................................ 113

CUADRO Nº 20. PROCEDIMIENTO DE OPERACIÓN Y ADMINISTRACIÓN ........... 119

CUADRO Nº 21. PROCEDIMIENTO DE OPERACIÓN Y ADMINISTRACIÓN ........... 120

CUADRO Nº 22. GENERACIÓN DEL CÓDIGO DE LOS COMPONENTES Y

PROCEDIMIENTOS .......................................................................................................... 121

xiii

CUADRO Nº 23. PROCEDIMIENTO DE OPERACIÓN Y MANUALES DE USUARIO

............................................................................................................................................ 122

CUADRO Nº 24. CONSTRUCCIÓN DE LOS COMPONENTES Y PROCEDIMIENTOS

DE MIGRACIÓN Y CARGA INICIAL DE DATOS ......................................................... 123

CUADRO Nº 25. ELEMENTOS DE PRUEBA Y CRITERIOS DE ACEPTACIÓN ........ 124

CUADRO Nº 26. CASO DE PRUEBA 1 ........................................................................... 125

CUADRO Nº 27. REGISTROS DE LA TABLA ALUMNO ............................................. 125

CUADRO Nº 28. REGISTROS DE LA TABLA SEDE ..................................................... 126

CUADRO Nº 29. REGISTROS DE LA TABLA FACULTAD .......................................... 126

CUADRO Nº 30. REGISTROS DE LA TABLA ESCUELA ............................................. 126

CUADRO Nº 31. CASO DE PRUEBA Nº2 ....................................................................... 128

CUADRO Nº 32. REGISTROS DE LA TABLA CURRICULA ........................................ 128

CUADRO Nº 33. REGISTROS DE LA TABLA SEDE ..................................................... 129

CUADRO Nº 34. REGISTROS DE LA TABLA CURSOS ............................................... 129

CUADRO Nº 35. REGISTROS DE LA TABLA ESCUELA ............................................. 129

CUADRO Nº 36. REGISTROS DE LA TABLA FACULTAD .......................................... 130

CUADRO Nº 37. CASO DE PRUEBA Nº 03 .................................................................... 131

CUADRO Nº 38. REGISTROS DE LA TABLA TRABAJADOR ..................................... 132

CUADRO Nº 39. REGISTROS DE LA TABLA DEDICACION ...................................... 132

CUADRO Nº 40. REGISTROS DE LA TABLA CATEGORIA ........................................ 132

CUADRO Nº 41. REGISTROS DE LA TABLA CONDICION ......................................... 133

CUADRO Nº 42. REGISTROS DE LA TABLA GRADO ................................................. 133

CUADRO Nº 43. REGISTROS DE LA TABLA DEPARTAMENTOACADEMICO ....... 133


CUADRO Nº 45. REGISTROS DE LA TIPO_APROBACION ........................................ 135


CUADRO Nº 47. REGISTROS DE LA TABLA SEMESTRE ........................................... 137


CUADRO Nº 49. REGISTROS DE LA TABLA RENDIMIENTO ................................... 139


CUADRO Nº 51. REGISTROS DE LA TABLA ENCUESTA .......................................... 141

CUADRO Nº 52. REGISTROS DE LA TABLA PREGUNTA .......................................... 142

CUADRO Nº 53. REGISTROS DE LA TABLA RESPUESTA ......................................... 142

CUADRO Nº 54. PLAN DE MONITOREO Y EVALUACIÓN ........................................ 147

xiv

CUADRO Nº 55. DISTRIBUCIÓN DE FRECUENCIAS POR NIVEL Y MEDIADAS DE

TENDENCIA CENTRAL DEL POST-TEST DEL GRUPO EXPERIMENTAL Y GRUPO

CONTROL.......................................................................................................................... 150



CONTROL DE LA DIMENSIÓN DISEÑO ....................................................................... 152



CONTROL DIMENSIÓN ELECCIÓN. ............................................................................. 154

xv

SUMARIO DE FIGURAS

FIGURA Nº 01. UNA ARQUITECTURA DE INTELIGENCIA DE NEGOCIOS TÍPICO 35

FIGURA Nº 02. LOS PRINCIPALES COMPONENTES DE LOS SISTEMAS DE

NEGOCIO INTELIGENTES ................................................................................................ 36

FIGURA Nº 03 ARQUITECTURA Y FUNCIONES DE UNA DATA WAREHOUSE ...... 45

FIGURA Nº 04. ESQUEMA ESTRELLA ............................................................................ 48

FIGURA Nº 05. ESQUEMA COPO DE NIEVE .................................................................. 49

FIGURA Nº 06. ESQUEMA CONSTELACIÓN DE HECHOS........................................... 49

FIGURA Nº 07. PROCESO ETL .......................................................................................... 50

FIGURA Nº 08. INGENIERÍA DE SOFTWARE ................................................................ 52

FIGURA Nº 09. LAS SIETE DISCIPLINAS PROPUESTAS SE RELACIONAN CON LAS

FASES DE DWEP ................................................................................................................ 56

FIGURA Nº 10. LOS DIFERENTES ESQUEMAS DEL DATA MART QUE PROPONE

LA METODOLOGÍA DWEP: ESQUEMA CONCEPTUAL, LÓGICO Y FÍSICO. ............ 61

FIGURA Nº 11. PROCESO DE TOMA DE DECISIONES. ............................................... 65

FIGURA Nº 12. ESTRUCTURA DE LOS SISTEMAS DE SOPORTE A LA TOMA DE

DECISIONES. ...................................................................................................................... 66

FIGURA Nº 13. ORGANIGRAMA ESTRUCTURAL DE LA UNIVERSIDAD

NACIONAL SANTIAGO ANTÚNEZ DE MAYOLO......................................................... 84

FIGURA Nº 14. DIAGRAMA DE ACTIVIDADES DEL NEGOCIO ................................. 90

FIGURA Nº 15. DIAGRAMA DE CONTEXTO................................................................. 96

FIGURA Nº 16. TOMADORES DE DECISIONES ............................................................. 96

FIGURA Nº 17. DIAGRAMA DE LA ARQUITECTURA TECNOLÓGICA DE LA

SOLUCIÓN. ......................................................................................................................... 99

FIGURA Nº 18. DIAGRAMA DE CLASES DE LA BASE DE DATOS FUENTE .......... 100

FIGURA Nº 19. DIAGRAMA DE MAPEO DE ESTUDIANTE ....................................... 101

FIGURA Nº 20. PROCESO ETL DE LA DIMENSIÓN ESTUDIANTE ........................... 102

FIGURA Nº 21. PROCESO ETL DE LA DIMENSIÓN ESTUDIANTE ........................... 103

FIGURA Nº 22. ESQUEMA CONCEPTUAL DEL DATA MART – NIVEL 1 ................ 105

FIGURA Nº 23. ESQUEMA CONCEPTUAL DEL COMPORTAMIENTO ACADÉMICO

DEL ESTUDIANTE ........................................................................................................... 106

FIGURA Nº 24. ESQUEMA CONCEPTUAL DEL COMPORTAMIENTO DOCENTE.. 107

FIGURA Nº 25. ESQUEMA CONCEPTUAL DE LA DIMENSIÓN ESTUDIANTE ....... 108

xvi

FIGURA Nº 26. ESQUEMA CONCEPTUAL DE LA DIMENSIÓN SEMESTRE ........... 108

FIGURA Nº 27. ESQUEMA CONCEPTUAL DE LA DIMENSIÓN CURRICULA ........ 109

FIGURA Nº 28. ESQUEMA CONCEPTUAL DE LA DIMENSIÓN MODALIDAD DE

APROBACIÓN .................................................................................................................. 109

FIGURA Nº 29. ESQUEMA CONCEPTUAL DE LA DIMENSIÓN MODALIDAD DE

APROBACIÓN .................................................................................................................. 110

FIGURA Nº 30. PATRÓN DE DISEÑO DEL APLICATIVO WEB ................................. 114

FIGURA Nº 31. FLUJO DE ADMINISTRACIÓN DE SEGURIDAD Y CONTROL DE

ACCESO............................................................................................................................. 121

FIGURA Nº 32. CONSULTA A BASE DE ITUNASAM, TABLA ALUMNO ................ 127

FIGURA Nº 33. CONSULTA A BASE DE DATA MARTUNASAM, TABLA

ESTUDIANTE .................................................................................................................... 127

FIGURA Nº 34. CONSULTA A BASE DE ITUNASAM, TABLA CURRICULA ........... 130


CURRICULA ..................................................................................................................... 131

FIGURA Nº 36. CONSULTA A BASE DE ITUNASAM, UTILIZANDO EL SCRIPT DE

DOCENTE .......................................................................................................................... 134

FIGURA Nº 37. CONSULTA A BASE DE DATA MARTUNASAM, TABLA DOCENTE

............................................................................................................................................ 134

FIGURA Nº 38. CONSULTA A BASE DE ITUNASAM, TABLA

MODALIDAD_APROBACION ........................................................................................ 136


MODALIDAD_APROBACION ........................................................................................ 136

FIGURA Nº 40. CONSULTA A BASE DE ITUNASAM, TABLA SEMESTRE .............. 138

FIGURA Nº 41. CONSULTA A BASE DE DATA MARTUNASAM, TABLA SEMESTRE

............................................................................................................................................ 138

FIGURA Nº 42. CONSULTA A BASE DE ITUNASAM, TABLA CURRICULA ........... 140


COMACADALUMNO ....................................................................................................... 140

FIGURA Nº 44. CONSULTA A BASE DE ITUNASAM, AL SCRIPT DE

COMPORTAMIENTO DOCENTE .................................................................................... 143

FIGURA Nº 45. CONSULTA A BASE DE DATA MARTUNASAM, TABLA COMDOC

............................................................................................................................................ 143

xvii

SUMARIO DE GRÁFICOS

GRÁFICO Nº 01. GRÁFICO DE BARRAS DE LA FRECUENCIA PORCENTUAL DEL

POST-TEST DEL GRUPO EXPERIMENTAL Y CONTROL. ......................................... 150

GRÁFICO Nº 02. PRUEBA DE HIPÓTESIS DEL GRUPO EXPERIMENTAL............... 151


POST-TEST DEL GRUPO EXPERIMENTAL Y CONTROL. ......................................... 152

GRÁFICO Nº 04. PRUEBA DE HIPÓTESIS DEL GRUPO EXPERIMENTAL,

DIMENSIÓN DISEÑO. ...................................................................................................... 153


POST-TEST DEL GRUPO EXPERIMENTAL Y CONTROL DIMENSIÓN ELECCIÓN.

............................................................................................................................................ 154

GRÁFICO Nº 06. PRUEBA DE HIPÓTESIS DEL GRUPO EXPERIMENTAL,

DIMENSIÓN ELECCIÓN. ................................................................................................. 155

CAPÍTULO I

GENERALIDADES

1.1. REALIDAD PROBLEMÁTICA

En la actualidad, la información se ha convertido en un recurso y elemento

esencial para la empresa, “las empresas buscan emplear dicha información para

generar conocimiento útil dirigido a la mejora de sus procesos empresariales”

(Zambrano Alarcón 2011, 3). Desde este punto de vista, la ventaja competitiva

de las organizaciones radica en la forma de interpretar la información y

convertirla en un elemento relevante para las empresas. Además, coincide con

Tansey (2003), que menciona que la “Information is a –perhaps the- major

resource of modern businesses” (Tansey 2003, 5).

La Universidad, es una entidad orgánica o sistema de unidades operativas,

y al igual que la empresa maneja una gran cantidad de información día a día.

Realizando así un alto número de transacciones, la cual genera un gran

repositorio o almacén de datos. Sin embargo, muchas de las universidades no

saben cómo administrar dicha información adecuadamente, debido a que sus

19

sistemas de información implantados para el control académico, y que además

soportan las transacciones académicas, no soportan el manejo adecuado de

grandes volúmenes de información. Así, las universidades tienen problemas al

momento de utilizar su información contenida en sus repositorios o almacenes

de datos para emplearla en la toma de decisiones, ya que esta información

necesita ser procesada y sistematizada, y para lograrlo requiere un tiempo,

personal calificado, generando un alto costo para esta entidad. Siendo

considerado a este proceso como ineficiente, ya que retrasa la toma de decisiones

oportunas.

Esto es uno de los problemas por la cual la Universidad Nacional Santiago

Antúnez de Mayolo (UNASAM) está atravesando, específicamente la Facultad

de Ciencias y sus escuelas. Para realizar el control y seguimiento de los procesos

académicos de las escuelas profesionales de la UNASAM, las cuales apoyan su

operatividad en el SIGA, cuyas siglas significan “Sistema Integral de Gestión

Académica” , el cual como parte de su estructura tiene a la base de datos OLTP

(Procesamiento de Transacciones en Línea) llamada “ITUnasam”, en la cual se

encuentran la mayoría de los datos relevantes para la institución, tales como los

datos de los alumnos, docentes, mallas curriculares, cursos, entre otras.

Siendo el SIGA administrada directamente por la oficina de

“Administración de la Base de Datos” (DBA) de la oficina “General de

Estudios”, quienes haciendo uso de herramientas y técnicas especializadas de

base de datos y DBMS SQL Server, preparan y organizan la información

requerida para ser entregada posteriormente al jefe de la oficina general de

estudios o a los decanos o jefes de departamento para que efectúen sus análisis

respectivos posteriores y finalmente tomen las decisiones que correspondan, de

esta forma la consulta de información relevante se encuentra centralizada,

generando colas y retrasos a la toma de decisiones oportunas.

20

Por otro lado, la Facultad de Ciencias de la Universidad Nacional Santiago

Antúnez de Mayolo, cuenta con tres escuelas profesionales como son la escuela

de Estadística e Informática, la escuela de Ingeniería de Sistemas e Informática

y la escuela de Matemática. El decano, quien es la máxima autoridad de la

Facultad, los jefes de departamento, directores de escuela y docentes que

conforman la Facultad, son los encargados de la toma de decisiones y la

planificación diaria, a mediano plazo y/o largo plazo, siendo la calidad, la

disponibilidad y la presentación de la información un papel categórico para la

toma de decisiones oportunas. Siendo estos los principales usuarios que

requieren disponer de información tanto consolidada como detallada de cómo

marchan las actividades ya cumplidas, para así predecir tendencias y

comportamientos para la toma de decisiones proactivas.

El control y procesamiento de todos los datos generados durante los

diversos procesos en la que está inmersa la Universidad nacional Santiago

Antúnez de Mayolo son almacenados en la base de datos, para luego ser

administradas directamente por la Oficina General de Estudios, lo que genera

para las Facultades la dificultad de acceder a la información relevante para la

toma de decisiones por parte de cada uno de los usuarios.

Además de ello, dentro del proceso de acreditación por cual la Universidad

nacional Santiago Antúnez de Mayolo y sobre todo la Facultad de Ciencias está

atravesando, es necesario la disponibilidad de información procesada como se

menciona en la dimensión formación profesional factor Enseñanza –

Aprendizaje, pero actualmente la Facultad de Ciencias no dispone de

información, datos procesados, que permita responder a cuestiones del negocio

que serán utilizados para la toma de decisiones; esto dificulta y retrasa este

proceso.

21

Por todo lo sustentado en la realidad problemática, se planteó el siguiente

problema:

1.2. ENUNCIADO DEL PROBLEMA

Los enunciados del problema planteados para el presente proyecto de

investigación, fueron las siguientes:

1.2.1. GENERAL

¿En qué medida la implementación de un Data Mart, como parte

de una solución de inteligencia de negocio, mejora el proceso de toma

de decisiones de la gestión académica de la Facultad de Ciencias de la

UNASAM?

1.2.2. ESPECÍFICOS

• ¿De qué manera la implementación de un Data Mart, como parte de

una solución de inteligencia de negocio influye en el diseño de la toma

de decisiones de la gestión académica?

• ¿De qué manera la implementación de un Data Mart, como parte de

una solución de inteligencia de negocio influye en la elección de las

decisiones de la gestión académica?

1.3. HIPÓTESIS

Las hipótesis planteadas para el presente proyecto de investigación, son

los siguientes:

1.3.1. GENERAL

HA : Con la implementación de un Data Mart, como parte de una

solución de inteligencia de negocio, se mejora el proceso de

22

Toma de Decisiones en la Gestión Académica de Facultad la

Ciencias de la UNASAM.

H0 : Con la implementación de un Data Mart, como parte de una

solución de inteligencia de negocio, no mejora el proceso de

Toma de Decisiones en la Gestión Académica de Facultad la


1.3.2. ESPECÍFICO

H1A : La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio influye significativamente

en el diseño de la toma de decisiones de la gestión académica.

H10 : La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio no influye

significativamente en el diseño de la toma de decisiones de la

gestión académica.

H2A : La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio influye significativamente

en la elección de la toma de decisiones de la gestión

académica.

H20 : La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio no influye

significativamente en la elección de las decisiones de la


23

1.4. OBJETIVOS

1.4.1. GENERAL

Implementar un Data Mart, como parte de una solución de inteligencia de

negocio, para mejorar el proceso de Toma de Decisiones en La Gestión

Académica de Facultad de Ciencias en la UNASAM.

1.4.2. ESPECÍFICOS

• Identificar y describir los requerimientos de análisis de información

para el comportamiento académico de la Facultad de Ciencias de la

UNASAM.

• Diseñar el modelo dimensional que permita el análisis y explotación

de la información identificada.

• Desarrollar la estructura y funcionalidad del Data Mart, como parte

de una solución de Inteligencia de Negocio.

• Implementar el Data Mart, como parte de una solución de Inteligencia

de Negocio.

• Facilitar la toma de decisiones, en base a la Información presentada

por el Data Mart.

1.5. JUSTIFICACIÓN

Esta investigación propuso el desarrollo de un Data Mart para la mejora de

la Toma de Decisiones en la Facultad de Ciencias, aportando con una

herramienta de gran utilidad para el nivel estratégico de la Facultad de Ciencias

de la UNASAM.

24

El presente proyecto se justifica porque actualmente se requiere saber

acerca del comportamiento Académico, a fin de identificar indicadores tales

como la cantidad de alumnos que aprobaron un determinado curso en un

determinado semestre, entre otros. Todos estos indicadores ayudarán a la toma

de decisiones en el ámbito académico.

A. JUSTIFICACIÓN ACADÉMICA

Desde el punto de vista académico es justificable, debido que se

contribuye con nuevos conocimientos a los alumnos de la carrera

profesional de ingeniería de Sistemas e Informática de la UNASAM,

fortaleciendo su formación profesional y sirviendo de ayuda para

posteriores trabajos.

B. JUSTIFICACIÓN OPERATIVA

Desde el punto de vista operativo es justificable, debido que el

proceso de obtención de información relevante es más rápido, confiable,

eficiente y eficaz; además este proceso se realiza en un tiempo menor que

en las etapas anteriores.

C. JUSTIFICACIÓN ECONÓMICA

Desde el punto de vista económico es justificable, ya que se reduce

los costos de obtención, procesamiento y resultados de información, tales

como las horas/hombre y la reducción de actividades que no agregan valor

a la institución.

D. JUSTIFICACIÓN TÉCNOLOGICA

Desde el punto de vista técnico es justificable, debido a que para el

desarrollo del presente proyecto se contó con los conocimientos técnicos

y herramientas necesarias para la realización del presente.

25

E. JUSTIFICACIÓN LEGAL

Según la ley universitaria, ley Nº30220, la investigación constituye

una función esencial y obligatoria de la universidad, y apoya a la

producción de conocimiento y al desarrollo de tecnología, la que es

mencionada en el artículo 48 de la presente ley. Además, según la presente

la investigación es requisito indispensable para la obtención de título

profesional.

1.6. LIMITACIONES

Dentro de las limitaciones del presente trabajo de investigación tenemos:

Las limitaciones de carácter económico, se evidenciaron en cuanto a la

adquisición y acceso a material especializado, libros, artículos entre otros, las

mismas que fueron solucionados utilizando los foros de las redes sociales, tales

como Facebook, Twitter entre otros en las cuales algunos usuarios de todo el

mundo comparten materiales educativos de forma gratuita.

Las limitaciones de tiempo, cuando se hace investigación de desarrollo

tecnológico, el tiempo es un factor determinante, en cuanto al tiempo de

desarrollo de la herramienta y al tiempo de experimentación para la obtención

de resultados; sin embargo, se tuvo que someterse a limitaciones que se

presentaron por parte de la universidad.

Teniendo en cuenta las limitaciones económicas y de tiempo, la

investigación superó estos problemas adecuando el presente trabajo de acuerdo

al avance de la ciencia y tecnología.

26

1.7. DESCRIPCIÓN Y SUSTENTACIÓN DE LA SOLUCIÓN

1.7.1. DESCRIPCIÓN DE LA SOLUCIÓN

La solución desarrollada en la presente investigación consistió en

la creación de un Data Mart, como soporte para la toma de decisiones de

la Facultad de Ciencias de la Universidad Nacional Santiago Antúnez de

Mayolo, con el fin que sea una herramienta diseñada bajo la concepción

de la Inteligencia de Negocios para que sea el soporte a la toma de

decisiones de todos los usuarios.

Teniendo en cuenta que la presente solución no solo consistió en

el diseño del modelo multidimensional del Data Mart. Esta solución

abarco varios puntos que se detallan a continuación. La integración de

todos estos puntos forma parte de la solución integral al problema.

1.7.1.1. FUNCIONALIDAD

El Data Mart debe permitir cumplir con las necesidades

de información requeridas, es decir, debe contener la

funcionalidad adecuada. Sin ella, el Data Mart no cumple con

su objetivo principal, por tanto, el proyecto no logra solucionar

el problema planteado y finalmente no comprueba la hipótesis.

Por ello, el Data Mart debe estar orientado a satisfacer las

necesidades de la gestión Académica de la Facultad de Ciencias.

1.7.1.2. MODELO MULTIDIMENSIONAL

Constituye el punto fundamental de la solución debido a

que el modelo multidimensional es la base del Data Mart. El

modelo multidimensional a desarrollar es de tipo estrella y tiene

como dimensiones a: Alumnos, Curricula, Docentes y

Modalidad de Aprobación y Semestre; y siendo los hechos:

27

Comportamiento Alumno y Comportamiento Docente.

Logrando así abarcar los posibles escenarios y supuestos de la

gestión académica de la Facultad de Ciencias.

Para llevar a cabo esta labor se ha tenido que levantar

información y haber definido claramente los requerimientos de

los usuarios en cuanto a la gestión académica de la Facultad de

Ciencias.

Para luego pasar a la construcción del Data Mart. En la

construcción del Data Mart, primero se elaboró el modelo

lógico en la cual nos muestra las relaciones e interacciones entre

las tablas. Luego de ello se elaboró el modelo físico, en el cual

se definió los tipos de datos y tamaños más adecuados para cada

uno de los campos de cada una de las tablas.

1.7.1.3. PROCESO ETL

Un Data Mart es un almacén de datos especializado, y

como tal requiere de datos. Para lograr ello fue necesario algún

procedimiento que permita cargar de datos válidos al Data Mart.

La solución planteada incluye un proceso ETL el cual

extrae los datos de la base de datos del SIGA o ITUNASAM

que viene hacer la principal fuente de datos, para luego

transformar la estructura de datos a fin de que coincida con la

estructura del modelo del Data Mart y para luego realizar la

carga de datos a éste.

28

1.7.1.4. HERRAMIENTA DE EXPLOTACIÓN

Si bien el modelo multidimensional constituía en gran

parte la solución, es la herramienta de explotación la que

finalmente con la que el usuario puede interactuar y ver el Data

Mart.

La herramienta de explotación es un sistema que recibe

una base de datos de modelo multidimensional y permite

visualizarla de una manera fácil e intuitiva.

La solución incluye la implementación de una

herramienta de explotación de datos, la cual fue diseñada y

construida en base a las necesidades del usuario final,

adicionalmente esta herramienta fue construida utilizando las

herramientas y procedimientos de la Ingeniería de Software, el

ultimo que incluye los métodos y procesos que facilitan el

desarrollo de un software (Pressman 2006).

1.7.2. SUSTENTACIÓN DE LA SOLUCIÓN

La solución planteada es la más adecuada debido a dos razones

principales: que es una solución de Inteligencia de Negocios y está

basado en la creación de un Data Mart.

A continuación, se explicará por qué estas dos razones hacen que

la solución propuesta sea considerada como la más adecuada y ventajosa.

29

1.7.2.1. SOLUCIÓN DE INTELIGENCIA DE NEGOCIOS

Al ser una solución de Inteligencia de Negocios, el Data

Mart propuesto permite generar conocimiento útil a partir de

una gran cantidad de información organizacional.

Las soluciones de este tipo permiten administrar

adecuadamente la información para utilizar sólo la información

que los usuarios requieran al momento deseado. Los tiempos de

respuesta a la información deseada son considerablemente

superiores a los sistemas transaccionales.

Esta información presentada puede ser resumida o

detallada según la necesidad del usuario.

Además, ofrece la capacidad de crecimiento de la

información a medida que la organización realizar sus

operaciones del día a día y permite actualizar la información a

través de los procesos ETL. De esta manera se asegura que

siempre se cuente con la información actualizada y real.

En conclusión, el Data Mart, con el uso correcto, podrá

ser una herramienta de soporte en la toma de decisiones.

1.7.2.2. CREACIÓN DE DATA MART

Se eligió crear un Data Mart frente a un Data Warehouse

debido a que el primero ofrece una serie de ventajas. Un Data

Mart es más fácil de implementar e instalar que un Data

Warehouse corporativo. De esto se concluye que el costo de

construcción de un Data Mart es considerablemente menor al

del Data Warehouse. Así muchas empresas pueden tener acceso

30

al Data Mart debido a que está dentro de sus posibilidades

económicas.

Por otro lado, los Data Marts, al ser más pequeños, están

enfocados a satisfacer las necesidades de un grupo de usuarios

en concreto y permite que el tiempo de respuesta a sus consultas

sea más rápido.

CAPÍTULO II

MARCO TEÓRICO

2.1. ANTECEDENTES

Ante la creciente demanda de información procesada dentro del campo

de la inteligencia de negocio se han desarrollado innumerables investigaciones

dentro de este campo, y luego de haber realizado las indagaciones respectivas,

se encontró los siguientes trabajos de Investigación que se asemejan al presente:

Reyes Marroquín y Rosales Tejada (2007) en su estudio titulado

“Desarrollo de un Data Mart de información académica de estudiantes de la

escuela de ciencias y sistemas de la Facultad de Ingeniería de la USAC”,

presentado para la obtención del título de Ingeniero en Ciencias y Sistemas,

estudio de tipo aplicado, concluye en lo siguiente: En la escuela de ciencias y

sistemas se obtiene grandes beneficios al utilizarse el Data Mart académico,

puesto que se podrá analizar el comportamiento de los estudiantes de la escuela

32

y por ende se podrá tomar mejores decisiones en cuanto al uso de los recursos y

el enfoque de la carrera de sistemas (Reyes Marroquín y Rosales Tejada 2007).

Además “La creación del presente Data Mart permite que las diferentes áreas o

unidades de la Facultad cuenten con información académica de una forma

autónoma, sin que exista la dependencia de centro de cálculo, siempre guardando

los debidos controles de seguridad y acceso a la información” (Reyes Marroquín

y Rosales Tejada 2007) y finalmente “Contar con una herramienta de

inteligencia de negocio en la Escuela de Ciencias y Sistemas, facilitará la

información que muchas empresas requieren sobre referencias de los estudiantes

que solicitan empleos” (Reyes Marroquín y Rosales Tejada 2007). Los

resultados obtenidos en este estudio demuestran que la implementación de un

Data Mart apoya a la toma de decisiones a la universidad, permitiendo a los

usuarios finales que puedan conectarse desde cualquier parte de la Facultad sin

tener que instalar ningún software-cliente para poder hacer análisis de la

información. Al mismo tiempo desde sus conclusiones se infiere que es una

herramienta de negocio es útil y beneficia a la organización

Zambrano Alarcón en su tesis titulada “Análisis, diseño e

implementación de un Data Mart para el área de mantenimiento y logística de

una empresa de transporte público de pasajeros”, presentada a la Pontificia

Universidad Católica del Perú en el año 2011 para obtener el título de Ingeniero

Informático, cuyo estudio fue de tipo aplicado, orientada para el apoyo al

proceso de toma de decisiones del área de mantenimiento y logística de una

empresa de transporte público de pasajeros. Cuya investigación arribo a las

siguientes conclusiones, primero “La metodología DWEP logró guiar

exitosamente toda la construcción de la solución. Su integración con la

metodología RUP y los diagramas UML permitió documentar los

requerimientos, análisis, diseño e implementación de la solución de manera clara

y sin ambigüedades. Si bien UML está orientado a la construcción de sistemas

orientados a objetos, se ha demostrado en el presente proyecto que, empleando

estereotipos basados en UML, puede modelarse la construcción de una solución

33

basada en inteligencia de negocios” (Zambrano Alarcón 2011), segundo “Las

necesidades de información del área de mantenimiento y logística de una

empresa de transporte público fueron identificadas satisfactoriamente debido a

que se consideró los posibles escenarios, actores y supuestos en toda empresa

del mismo rubro. Esto contribuyó a identificar requerimientos claros y precisos

que fueron documentados y utilizados para la construcción del modelo

multidimensional” (Zambrano Alarcón 2011), tercero “El modelo

multidimensional de la solución logró abarcar las necesidades de información

identificadas y fue representado utilizando diagramas de fácil comprensión que

permitieron una correcta validación del mismo” (Zambrano Alarcón 2011),

cuarto “Los procesos de extracción, transformación y carga de los datos lograron

contar con un Data Mart con datos correctos y coherentes provenientes de la base

de datos fuente. Los procesos fueron implementados empleando estándares de

programación y luego se verificó su funcionamiento a través de un plan de casos

de prueba” (Zambrano Alarcón 2011) finalmente “Los reportes y tableros de

control elaborados permitieron mostrar la importancia de la explotación de la

información y de los indicadores que generan una ventaja competitiva en las

empresas de transporte público” (Zambrano Alarcón 2011). Ante ello el

responsable del estudio, hace hincapié sobre la utilización de la metodología

DWEP, que es una metodología dedicada originalmente al desarrollo de un Data

Warehouse y que propone una gran cantidad de entregables. Al mismo tiempo

menciona la importancia de cada proceso del Data Mart.

Flores Chacón at al (2008) en su trabajo de investigación titulado

“Diseño, implantación y explotación de Data Mart” presentado a la Universidad

Nacional Santiago Antúnez de Mayolo, de tipo de investigación aplicada, arribó

a las siguientes conclusiones: El usuario del sistema puede efectuar cualquier

consulta de acuerdo a las variables y criterios de consulta del Data Warehouse

así como hacer uso de múltiples variables; - La aplicación de la Ingeniería

Empresarial a la solución de problemas de la gestión académica de la

universidad, como un medio de sinergia de la gestión de los negocios y de las

34

tecnologías de la información y la comunicación en un contexto de

competitividad, calidad y globalización; - El proyecto ha permitido aplicar

conceptos de las tecnologías de la información y la comunicación, aplicados a la

gestión de la universidad (de los negocios) como son: Data Warehouse y

Business Intelligence.

2.2. INTELIGENCIA DE NEGOCIOS

La Inteligencia de Negocios (en inglés Business Intelligence) nació como

un concepto que se asociaba totalmente con los niveles de los altos directivos

ante la necesidad de contar con información para dirigir el rumbo de la empresa.

En la actualidad, la información se ha convertido en un bien muy preciado para

las empresas.

Las empresas que son capaces de transformar los datos en información y

el conocimiento pueden utilizarlos para tomar decisiones más rápidas y más

eficaces y por lo tanto para lograr una ventaja competitiva.

Carlo Vercellis, en su libro “Business Intelligence, Data Mining and

Optimization for Decision Making” define a la inteligencia de negocios como

un conjunto de modelos matemáticos y metodologías de análisis que explotan

sistemáticamente los datos disponibles para recuperar la información y

conocimiento útil en el apoyo a los procesos de toma de decisiones complejas.

(Vercellis 2009)

Luis Méndez en su libro “Más allá del Business Intelligence” lo definió

como un conjunto de herramientas y aplicaciones para la ayuda a la toma de

decisiones que posibilitan acceso interactivo, análisis y manipulación de

información corporativa de misión crítica (Río 2006). Estas aplicaciones aportan

un conocimiento valioso sobre la información operativa identificando problemas

y oportunidades de negocio.

35

2.2.1. ARQUITECTURAS DE INTELIGENCIAS DE NEGOCIOS

La arquitectura de un sistema de inteligencia de negocios, puede

incluir dos componentes principales de los sistemas de Inteligencia de

Negocio (Las Fuentes de Datos, Almacenes de Datos), como es

representado en la figura siguiente.

Figura Nº 01. Una arquitectura de inteligencia de negocios típico

Fuente: Business Intelligence Data Mining and Optimization for Decision Making (Vercellis, Carlo)

2.2.2. COMPONENTES DE UN SISTEMA DE INTELIGENCIA DE

NEGOCIO

Está conformada por seis componentes, que es Ilustrada en la

figura Nº 02 - Los Principales componentes de los sistemas de Negocio

Inteligentes.

Logística

Marketing

Evaluación del Desempeño

Sistemas Operacionales

Datos Externos

Cargar

Transformar

Extraer

ETL

Data warehouse

Cubos multidimensionales

exploratorio, análisis de series

de análisis de datos de tiempo

La minería de datos

Optimización

36

Figura Nº 02. Los Principales componentes de los sistemas de Negocio Inteligentes


A. LAS FUENTES DE DATOS.

En una primera etapa, es necesario reunir e integrar los datos

almacenados en las diversas fuentes primarias y secundarias, que son

heterogéneos en origen y tipo.

Las fuentes consisten en su mayor parte de los datos

pertenecientes a los sistemas de operacionales, pero también pueden

incluir documentos no estructurados, tales como mensajes de correo

electrónico y datos recibidos de los proveedores externos. (Vercellis

2009)

B. DATA WAREHOUSE Y DATA MART.

El uso de herramientas de extracción y transformación

conocido como extracción, transformación, carga (ETL), los datos

procedentes de las diferentes fuentes se almacenan en bases de datos

destinadas a apoyar los análisis de inteligencia de negocios.

Decisiones

Optimización

Busca la mejor Alternativa

Mineria de Datos

Modelos para el aprendizaje

a partir de los datos Exploración de Datos

El análisis estadístico y

visualizaciónData warehouse

Data mart

Análisis de cubos

multidimensionales

Fuentes de Datos

Los datos operacionales,

documentos y datos

externos

37

C. METODOLOGÍAS DE INTELIGENCIA DE NEGOCIOS

Los datos se extraen y finalmente son utilizados para

alimentar los modelos matemáticos y metodologías de análisis

destinados a apoyar a los tomadores de decisiones.

D. LA EXPLORACIÓN DE DATOS

En el tercer nivel de la pirámide se encuentran las

herramientas para formación de un análisis de inteligencia

empresarial pasiva, que consisten en sistemas de consulta y

presentación de informes, así como los métodos estadísticos.

E. LA MINERÍA DE DATOS

El cuarto nivel de inteligencia de negocios incluye

metodologías activas, cuyo objetivo es la extracción de la

información y el conocimiento a partir de datos.

Estos incluyen modelos matemáticos para el reconocimiento

de patrones, aprendizaje automático y técnicas de minería de datos.

A diferencia de las herramientas descritas en el nivel anterior de la

pirámide, los modelos de un tipo activo no requieren los tomadores

de decisiones para formular ninguna hipótesis previa que ser

verificado más tarde.

F. OPTIMIZACIÓN

Al mover un nivel hacia arriba en la pirámide encontramos

modelos de optimización que nos permiten determinar la mejor

solución de un conjunto de acciones alternativos, que suele ser

bastante extensa y, a veces incluso infinito.

38

G. DECISIONES

Por último, la parte superior de la pirámide corresponde a la

elección y la adopción de una decisión específica, y de alguna manera

representa la conclusión natural del proceso de toma de decisiones.

Incluso cuando las metodologías de inteligencia de negocios están

disponibles y adoptadas con éxito, que también pueden tomar

ventajas de la información informal y no estructurada disponible para

adaptar y modificar las recomendaciones y las conclusiones

alcanzadas a través del uso de modelos matemáticos.

A medida que avanzamos desde el fondo hasta la parte superior

de la pirámide, los sistemas de negocio de la inteligencia ofrecen

herramientas de apoyo cada vez más avanzadas de un tipo de activo.

Incluso las funciones y competencias cambian.

En la parte inferior, se proporcionan las competencias requeridas

en su mayor parte por los especialistas en sistemas de información dentro

de la organización, por lo general se hace referencia como

administradores de bases de datos. Analistas y expertos en modelos

matemáticos y estadísticos son responsables de las fases intermedias. Por

último, las actividades de los encargados de tomar decisiones

responsables para el dominio de aplicación aparecen dominantes en la

parte superior.

Como se ha descrito anteriormente, los sistemas de inteligencia

de negocios frente a las necesidades de los diferentes tipos de

organizaciones complejas, incluidos los organismos de administración y

las asociaciones públicas.

39

2.3. DATA WAREHOUSE

Los Data Warehouse nacen debido a la necesidad de contar con

información útil de apoyo a la toma de decisiones, dado que los datos

operacionales no cumplen con este objetivo (Kimball y Ross 2013). Un Data

Warehouse es una colección de datos integrados, temáticos, no volátiles y

variantes en el tiempo, organizados para soportar necesidades empresariales

orientadas a la toma de decisiones (Inmon 2005)

Un Data Warehouse es un almacén de datos disponibles más importante

para el desarrollo de arquitecturas de inteligencia de negocios y sistemas de

soporte a la toma de decisiones (Vercellis 2009).

El almacenamiento de datos a largo plazo indica que el conjunto de

actividades interrelacionadas que intervienen en el diseño, la implementación y

el uso de un almacén de datos (Kimball y Ross 2013).

Es posible identificar tres categorías principales de datos que alimentan

a un almacén de datos: los datos internos, datos externos y datos personales.

A. DATOS INTERNOS

Los datos internos se almacenan en su mayor parte en las bases de

datos, que se refiere a los sistemas como transaccionales o sistemas

operativos, que son la columna vertebral de un sistema de información de

la empresa.

B. DATOS EXTERNOS

Hay varias fuentes de datos externos que puede utilizarse para

ampliar la cantidad de información almacenada en las bases de datos

internas.

40

C. DATOS PERSONALES

En la mayoría de los casos, los tomadores de decisiones que

realizan un análisis de inteligencia de negocios también se basan en la

información y apreciaciones personales almacenados en el interior de las

hojas de cálculo o bases de datos locales situados en sus computadoras. La

recuperación de dicha información y su integración con datos

estructurados procedentes de fuentes internas y externas es uno de los

objetivos de los sistemas de gestión del conocimiento.

Las aplicaciones de software operativas y/o transaccionales son tipo

OLTP (on-line transaction processing). Por otro lado, el conjunto de

herramientas destinadas a la realización de los análisis de inteligencia

empresarial y el apoyo a los procesos de toma de decisiones son del Tipo OLAP

(on-line analytical processing) (Kimball y Ross 2013).

Hay varias razones para implementar un almacén de datos por separado

de las bases de datos que apoyan las aplicaciones OLTP en una empresa. Entre

ellos, recordamos aquí las más relevantes.

1. INTEGRACIÓN.

En muchos casos, los sistemas de apoyo de decisiones deben tener

acceso de la información procedente de varias fuentes de datos,

distribuidos en diferentes partes de la organización o que se deriven de

fuentes externas. Entonces se requiere un almacén de datos que integren

múltiples ya menudo heterogéneas fuentes de promover y facilitar el

acceso a la información.

41

2. CALIDAD.

Los datos transferidos de los sistemas operativos en el almacén de

datos se examinan y corrigen a fin de obtener información fiable y libre de

errores, tanto como sea posible.

3. EFICIENCIA

Consultas encaminadas a la extracción de información para un

análisis de inteligencia de negocios pueden llegar a ser una carga en

términos de recursos informáticos y tiempo de procesamiento.

4. POSIBILIDAD DE AMPLIACIÓN

Los datos almacenados en los sistemas transaccionales se

extienden en un lapso de tiempo limitado en el pasado. Se puede definir

un almacén de datos como una recolección de datos que apoyen los

procesos de toma de decisiones y los sistemas de inteligencia de negocios

que tienen las siguientes características.

5. ENTIDAD ORIENTADA

Los datos contenidos en un almacén de datos se refieren

principalmente a las principales entidades de interés para el análisis.

6. INTEGRADO

Los datos procedentes de las distintas fuentes se integran y se

homogeneizaron a medida que se cargan en un almacén de datos.

7. VARIANTE EN EL TIEMPO

Todos los datos introducidos en un almacén de datos se etiquetan

con el período de tiempo al que se refieren. De este modo, las aplicaciones

42

de apoyo a las decisiones pueden desarrollar análisis de tendencias

históricas.

8. PERSISTENTES

Una vez que se han cargado en un almacén de datos, los datos son

por lo general sin modificar aún más y se llevan a cabo de forma

permanente. Esta característica hace que sea más fácil organizar el acceso

de sólo lectura por los usuarios y simplifica el proceso de actualización,

evitando la concurrencia que es de importancia crítica para los sistemas

operativos.

9. CONSOLIDADO

Por lo general, algunos datos almacenados en un almacén de datos

se obtienen como resúmenes parciales de los datos primarios que

pertenecen a los sistemas operativos de las que proceden.

Cuadro Nº 01. Diferencias entre OLTP y OLAP

Características OLTP OLAP

Volatilidad Datos dinámicos Datos estáticos

Oportunidad Datos actuales sólo Los datos actuales e históricos

Dimensión temporal Implícita y corriente Explícitos y la variante

Granularidad Datos detallados Datos agregados y consolidados

Actualización Continuas e irregulares Periódicas y regulares

Actividades Repetitivo Impredecible

Flexibilidad Baja Alta

Rendimiento Alto, pocos segundos por consulta Puede ser baja para consultas complejas

Usuarios Empleados Trabajadores del conocimiento

Funciones Operacionales Analíticas

Prioridad Alto rendimiento Alta flexibilidad

Métricas Tasa de transacciones Respuesta eficaz

Tamaño Megabytes a Gigabytes Gigabytes a Terabytes

Fuente: Elaboración Propia

Se puede concluir, que un Data Warehouse, es el proceso de extraer datos

de las operaciones diarias de la empresa, procedentes de diversos subsistemas,

43

para integrarlos, sumarlos y almacenarlos en un depósito de datos, para poder

acceder a ellos cada vez que el usuario lo requiera.

Basándose en la definición de Inmon, un Data Warehouse se caracteriza

por ser:

1. INTEGRADO

Su característica más importante, pues posee la información

integrada. Los datos almacenados en un Data Warehouse deben integrarse

en una estructura consistente. Esta estructura permite tener la información

en distintos niveles de detalle para adecuarse a las necesidades del usuario.

2. TEMÁTICO

Los datos se organizan por temas para facilitar su acceso y su

entendimiento por parte de los usuarios finales.

3. NO VOLÁTIL

La perspectiva estratégica que permite el análisis y la toma de

decisiones requiere una base de datos estable, no cambiante.

El almacén de información de un datawarehouse existe para ser

leído, pero no modificado. La información es por tanto permanente,

significando la actualización del datawarehouse la incorporación de los

últimos valores que tomaron las distintas variables contenidas en él sin

ningún tipo de acción sobre lo que ya existía.

44

4. VARIANTE EN EL TIEMPO

La información contenida en el Data Warehouse sirve para predecir

tendencias. Por ello, esta se carga con los distintos valores que tiene una

variable en el tiempo permitiendo comparaciones.

2.4. DATA MART

El acceso a toda la información por parte de los usuarios de la empresa

no es conveniente, ya que muchas veces sólo necesitan un subconjunto de esta

información. En estos casos utilizan los Data Mart.

Según Inmon, el concepto de Data Mart es una especialización de un

Data Warehouse enfocado a un departamento (Inmon 2005).

Los Data Marts son sistemas que recopilan todos los datos requeridos por

un departamento específico de la empresa, tales como el marketing o la logística,

con el fin de llevar a cabo la inteligencia empresarial y análisis de la ejecución

de aplicaciones de apoyo a las decisiones específicas de la función misma. Por

lo tanto, un Data Mart se puede considerar como un almacén de datos funcional

o departamental de un tamaño más pequeño y un tipo más específico que el

almacén de datos de la empresa en general (Kimball y Ross 2013).

Por tanto, un Data Mart contiene un subconjunto de los datos

almacenados en el Data Warehouse de la empresa, que por lo general están

integradas con otros datos que el departamento compañía responsable del

mercado de datos posee y considere de interés.

Los Data Warehouse y data Mart por lo tanto comparten el mismo marco

tecnológico. Con el fin de implementar las aplicaciones de inteligencia de

negocios, algunas empresas prefieren diseñar y desarrollar de manera

incremental una serie de Data Mart integrados en lugar de un depósito de datos

45

central, con el fin de reducir el tiempo de implementación y las incertidumbres

relacionadas con el proyecto.

2.5. ARQUITECTURA DATA MART

La arquitectura de un Data Mart es similar a la arquitectura de un data

Warehouse, Vercellis(2009) menciona en su estudio que la arquitectura de un

Data Warehouse está compuesta por todos los datos internos y externos, el

proceso ETL, el repositorio del data warehouse entre otros, que se ilustran en la

figura Nº 03, incluye los siguientes componentes funcionales principales.

Figura Nº 03 Arquitectura y funciones de una Data Warehouse


2.6. MODELO DIMENSIONAL

Un modelo dimensional es un sistema formal y abstracto que permite

describir los datos de acuerdo con reglas y convenios predefinidos. Es formal,

pues los objetos del sistema se manipulan siguiendo reglas perfectamente

definidas y utilizando exclusivamente los operadores definidos en el sistema,

Logística

Marketing

Evaluación del Desempeño

Sistemas Operacionales

Datos Externos

Cargar

Transformar

Extraer

ETL

Data warehouse

Cubos multidimensionales

exploratorio, análisis de series

de análisis de datos de tiempo

La minería de datos

Optimización

OLAP

46

independientemente de lo que estos objetos y operadores puedan significar

(Ullman y Widom 1999).

La arquitectura de un Data mart y/o Data Warehouse se basa en un

modelo de datos llamado modelo multidimensional. Este modelo permite

modelar base de datos simples y entendibles al usuario final, debido que presenta

la información en un marco estándar e intuitivo que permite un acceso de alto

rendimiento. Además, permite resolver con problemas planteados en sistemas

transaccionales o los sistemas OLTP (On-line Transaction Processing,

procesamiento transaccional en línea) generando una base de datos

multidimensional que permitirá el análisis de datos utilizando herramientas

OLAP (on-line Analytical Processing, procesamiento analítico en línea).

Los almacenes de datos posibilitan una visión multidimensional de

enormes cantidades de datos históricos provenientes de fuentes operacionales,

suministrando la información necesaria para el apoyo a los procesos de toma de

decisiones de una organización (Mazón, Pardillo y Trujillo 2011, 27).

En base a lo mencionado del modelo multidimensional, se puede

desglosar en dos fases para la construcción de un modelo multidimensional.

2.6.1. MODELO MULTIDIMENSIONAL CONCEPTUAL

El modelo dimensional conceptual debe representar aquellos

elementos que permitan al usuario obtener la información necesaria para

el apoyo a la toma de decisiones (Mazón, Pardillo y Trujillo 2011, 28).

Entre los elementos o propiedades multidimensionales estructurales

tenemos:

47

A. DIMENSIONES

Representa el contexto de análisis de un hecho… mediante una

serie de atributos organizados jerárquicamente (Mazón, Pardillo y

Trujillo 2011, 27). Las tablas de dimensiones representan cada uno de

los ejes en un espacio multidimensional. Sus atributos son del tipo

cualitativo que proporcionan el contexto en el que se obtienen las

medidas en un esquema de hecho. Las dimensiones poseen jerarquías,

que son varios atributos unidos mediante una relación del tipo

jerárquico.

B. HECHOS

Contiene medidas de un proceso de negocio (Mazón, Pardillo

y Trujillo 2011, 27). Las tablas de hechos constituyen el objeto a

analizar, poseen atributos de hechos que son del tipo cuantitativo

cuyos valores se obtienen por aplicación de alguna función estadística

que resumen un conjunto de valores en un único valor.

2.6.2. MODELO MULTIDIMENSIONAL LÓGICO

Dentro del modelo multidimensional lógico existe dos

tecnologías, la tecnología Multidimensional – MOLAP (OLAP

Multidimensional) y la tecnología Relacional – ROLAP (OLAP

Relacional). Siendo la tecnología relacional la más utilizada, tal como lo

menciona Ralph Kimball, quien propuso un esquema llamado esquema

estrella para representar las diferentes estructuras multidimensionales

haciendo uso del modelo relacional (Mazón, Pardillo y Trujillo 2011,

34). Actualmente existen tres esquemas, que se mencionan a

continuación:

48

A. ESQUEMA ESTRELLA

El esquema estrella forma un diagrama en forma de estrella,

teniendo en el centro de la estrella una o más tablas de hechos y las

puntas de las estrellas a las tablas de dimensiones (Mazón, Pardillo y

Trujillo 2011), como se muestra en la figura Nº 04.

Figura Nº 04. Esquema Estrella


B. ESQUEMA DE COPO DE NIEVE

En el caso del esquema de copo de nieve, las tablas de

dimensiones se encuentran normalizadas, es decir, cada tabla

dimensional sólo contiene el nivel que es la clave primaria en la tabla

y la llave foránea de su parentesco del nivel más cercano (Mazón,

Pardillo y Trujillo 2011), como se muestra en la figura Nº 05.

Dim 1

PK idDim1

Dim 3

PK idDim3

Dim 2

PK idDim2

Dim 4

PK idDim4

Hecho 1

PK idDim1PK idDim2PK idDim3PK idDim4

49

Figura Nº 05. Esquema Copo de Nieve


C. ESQUEMA DE CONSTELACIONES

En este caso es una variante del esquema estrella. En el que la

diferencia radica en el que el esquema de constelaciones de hechos,

además de la tabla de hechos base, se define una tabla de hechos por

cada nivel de agregación. Por lo tanto, en realidad contiene más de

una tabla de hechos (Mazón, Pardillo y Trujillo 2011), como se

muestra en la figura Nº 06.

Figura Nº 06. Esquema Constelación de Hechos


Dim 11

PK idDim1

FK1 idT1FK2 idT2

Dim 31

PK idDim3

FK1 idT3

Dim 21

PK idDim2

Dim 41

PK idDim4

Hecho 11

PK idDim1PK idDim2PK idDim3PK idDim4

T1

PK idT1

T2

PK idT2

T3

PK idT3

Dim 111

PK idDim1

FK1 idT1FK2 idT2

Dim 311

PK idDim3

FK1 idT3

Dim 211

PK idDim2

Dim 411

PK idDim4

Hecho 111

PK idDim1PK idDim2PK idDim3

T11

PK idT1

T21

PK idT2

T31

PK idT3

Hecho 112

PK,FK1 idDim2PK,FK2 idDim4PK,FK3 idDim1

50

2.7. HERRAMIENTAS ETL

Las herramientas ETL (de las siglas en inglés Extraction,

Transformation, Load) se encargan de las funciones de extracción de distintas

fuentes de datos, sean estas transaccionales o externas, transformación,

realizando tareas de limpieza y consolidación de datos y la carga del Data

Warehouse o Data Mart.

Entre las principales funciones de los sistemas ETL tenemos:

• La extracción de datos.

• El filtrado de datos.

• La carga inicial al Data Warehouse o Data Mart.

• Refresco del Data Warehouse o Data Mart: operación periódica que

actualiza los cambios de las fuentes externas al Data Warehouse o

Data Mart.

Figura Nº 07. Proceso ETL


51

2.8. INGENIERÍA DE SOFTWARE

La Ingeniería de software es el establecimiento y uso de principios

sólidos de la ingeniería para obtener económicamente un software confiable y

que funcione de modo eficiente en maquina reales (Pressman 2006).

Es una disciplina que comprende todos los aspectos de la producción de

software desde las etapas iniciales de la especificación del sistema, hasta el

mantenimiento de éste después de que se utiliza (Sommerville 2005).

La ingeniería del software es una tecnología estratificada. Conformada

por:

- Los métodos de la ingeniería del software indican cómo construir

técnicamente el software. Abarcan un amplio espectro de tareas en las

que se incluyen: planificación y estimación de proyectos, análisis de los

requisitos del sistema y del software, diseño de estructuras de datos,

arquitectura de programas y procedimientos algorítmicos, codificación,

prueba, mantenimiento, documentación. En estos métodos pueden

incluirse técnicas orientadas a objetos, estructuradas, de descomposición

funcional, por mencionar algunas.

- Las herramientas de la ingeniería del software suministran un soporte

automático o semiautomático para los métodos. Hoy en día existen he-

rramientas para soportar cada uno de los métodos mencionados ante-

riormente. Estas herramientas son llamadas herramientas asistidas por

computadora para la ingeniería de software CASE, (Computer Assisted

Software Engineering).

- Los procedimientos de la ingeniería de software son el pegamento que

junta los métodos y las herramientas y facilita el desarrollo racional del

software de computadora. Los procedimientos definen la secuencia en la

52

que se aplican los métodos, las entregas (documentos, informes, etc.) que

se requieren, los controles que ayudan a evaluar el progreso del de-

sarrollo. Estos procedimientos, en combinación con las herramientas,

pueden facilitar el primer objetivo específico que enunciamos, el cual es

facilitar la comunicación.

Figura Nº 08. Ingeniería de software

Fuente: Pressman, R. S. (2006). Ingeniería Del Software. Un enfoque práctico.

Todos ellos basado en normas y modelos de calidad de software que

tratan de evaluar y medir cómo se presenta dicha calidad en un producto, como,

por ejemplo, los que emanan organizaciones como la ISO (International

Standard Organization), o IEEE (Institute of Electrical and Electronic Engineers.

2.8.1. PROCESO DE INGENIERÍA DE DATA WAREHOUSE

El proceso de ingeniería de data Warehouse, también conociodo

por sus siglas en inglés como DWEP (Data Warehouse Engineering

Process), propuesto por Sergio Lujan-Mora y Juan Trujillo, la cual es una

adaptación de la metodología RUP (Rational Unified Process) y de la

herramienta UML (Unified Modeling Language) para el desarrollo de

Data Warehouse y Data Mart. La cual se enfoca en cuatro fases y siete

disciplinas que se detallan a continuación:

Enfoque de Calidad

Proceso

Métodos

Herramientas

53

2.8.1.1. FASES

El proceso DWEP al igual que RUP divide el desarrollo

en 4 fases: Concepción, elaboración, construcción y transición.

Sin embargo, el DWEP presenta algunas variantes que se adapta

al desarrollo de un Data Mart. (Luján Mora y Trujillo 2006)

1. FASE DE LA CONCEPCIÓN

En la fase de concepción se abarca desde la captura

de las principales necesidades de los usuarios finales,

poniéndose énfasis en los requerimientos funcionales y

termina con la elaboración del documento de análisis de

requerimientos.

2. FASE DE ELABORACIÓN

En la fase de elaboración se empieza desde el plan

de proyecto, el cual contiene la secuencia de actividades a

realizar. Además, se define la arquitectura del Data Mart y

acaba con un esquema lógico del Data Mart.

3. FASE DE CONSTRUCCIÓN

En la fase de construcción, se implementa el Data

Mart hasta obtener la primera versión operativa con datos

reales. Además, se desarrollan los procesos ETL necesarios

para la carga de datos.

4. FASE DE TRANSICIÓN

Por último, en la fase de transición, se pone énfasis

en la detección de errores y empieza cuando el Data Mart

entra en producción. Para el presente proyecto esta fase no

54

se llevará a cabo pues el alcance del proyecto termina con

la construcción del Data Mart, es decir, en la fase de

construcción.

2.8.1.2. DISCIPLINAS

Además de las mismas fases de RUP, el DWEP también

propone disciplinas, pero le añade dos más que son de

importancia en un proyecto de Data Mart. Sin embargo, estas

disciplinas adicionales se llevan a cabo cuando el usuario ya

tiene tiempo usando el Data Mart.

1. REQUERIMIENTOS

Se enfoca en las necesidades del usuario final

porque los Data Mart suelen ser únicos para cada tipo de

empresa. Durante esta disciplina el usuario debe especificar

qué tipo de análisis y agregaciones, le serán de utilidad para

generar reportes y tableros de control que le ayuden en la

toma de decisiones. La captura de requerimientos se hará

mediante los diagramas de caso de uso, los cuales permiten

representar lo que el usuario quiere que haga el Data Mart.

2. ANÁLISIS

Empieza por definir y analizar claramente la

especificación de los casos de uso encontrados en la etapa

anterior. Además, se analiza los datos que servirán como

fuente para el Data Mart. Se emplearán diagramas de

esquemas para modelar los datos de carga y se realizan los

esbozos para los procesos de ETL.

55

3. DISEÑO

Se define la estructura del Data Mart tanto al nivel

lógico como físico. Además, se realiza un diagrama de

mapeo de datos, el cual muestra la relación de cómo los

datos fuentes están relacionados con los datos del modelo

multidimensional.

4. IMPLEMENTACIÓN

Durante esta etapa se construye el Data Mart. La

estructura física del Data Mart es construida. También, se

desarrollan los procesos de extracción, transformación y

carga de los datos al Data Mart.

5. PRUEBAS

Se prueba que lo implementado cumpla con las

especificaciones del usuario. Se debe elaborar un plan de

pruebas que permite analizar los resultados de las pruebas.

6. MANTENIMIENTO

Esta etapa comienza cuando los usuarios ya están

usando el Data Mart y acaba cuando el ciclo de vida del

Data Mart concluya, pues durante toda su vida útil se le

debe de actualizar con la información de la empresa.

7. REVISIÓN POST-DESARROLLO

Se revisa la documentación existente y se busca

oportunidades de mejora al Data Mart que puede terminar

generando futuros proyectos.

56

El DWEP plantea que el desarrollo del Data Mart está dividido

en pequeños pasos o iteraciones, los cuales son más fáciles de controlar

y llevar a cabo. En cada disciplina se elaborarán entregables basados en

diagramas o técnicas UML.

Figura Nº 09. Las siete disciplinas propuestas se relacionan con las fases de DWEP

Fuente: Luján Mora y Trujillo (2006)

2.8.1.3. ENTREGABLES

Los entregables dentro del DWEP se distribuyen según

la disciplina a la que corresponde, según el estudio de Mora y

Trujillo (2006), expresa los entregables mínimos para cada

disciplina, tal como se muestra en el cuadro Nº 02.

57

Cuadro Nº 02.Entregables por disciplinas del DWEP

Disciplinas del DWEP Entregables

Requerimientos

Diagrama de actividades

Diagrama de casos de uso

Análisis

Esquema conceptual de los datos Fuente

Esquema lógico de los datos fuente

Diseño Esquema conceptual del Data Mart

Diagrama de mapeo de datos

Implementación

Esquema lógico del Data Mart

Esquema físico del Data Mart

Proceso ETL

Pruebas No hay

Mantenimiento No hay

Fuente: Luján Mora y Trujillo (2006)

Se detalla sintéticamente a continuación cada uno de los

entregables (Diagramas) presentado por el modelo de Mora y

Trujillo (2006) en el cuadro Nº 02.

1. DIAGRAMA DE ACTIVIDADES:

Muestra en orden la secuencia de actividades y las

decisiones a tomar para llevar a cabo un proceso, que puede

ser una actividad de negocio.

2. DIAGRAMA DE CASOS DE USO

Muestra los requerimientos funcionales o

necesidades de los usuarios.

3. ESQUEMA CONCEPTUAL DE DATOS FUENTE

Muestra a nivel conceptual cómo está organizada la

estructura que forma parte de la información fuente para el

Data Mart.

58

4. ESQUEMA LÓGICO DE DATOS FUENTE

Muestra a nivel lógico la estructura de la

información fuente para el Data Mart.

5. ESQUEMA CONCEPTUAL DEL DATA MART

Muestra a nivel conceptual el modelo

multidimensional del Data Mart. Se observa en la figura Nº

13 que el esquema conceptual del Data Mart consta de 3

niveles. En el nivel 1 define el modelo multidimensional y

cada paquete consta de un esquema estrella. En el nivel 2 se

especifica cada esquema estrella del nivel anterior y

muestra con qué dimensiones se relaciona cada hecho. Por

último, en el nivel 3 se especifica cada dimensión u hecho

presentando los niveles jerárquicos que existen en cada

dimensión.

6. DIAGRAMA DE MAPEO DE DATOS

Muestra la relación entre la estructura de la

información fuente del Data.

7. ESQUEMA LÓGICO DEL DATA MART

Muestra a nivel lógico el modelo multidimensional

del Data Mart.

8. ESQUEMA FÍSICO DEL DATA MART

Muestra a nivel físico el modelo multidimensional

del Data Mart como la configuración de los servidores y

cómo está almacenado en los discos.

59

9. PROCESO ETL

Muestra el proceso de extracción de la información

fuente, transformación de la misma y su carga en el Data

Mart.

2.8.1.4. ARQUITECTURA DE UN DATA WAREHOUSE

La arquitectura de un Data warehouse y un data Mart es

usualmente dividido en varios niveles de datos, en los cuales los

datos de un nivel es la derivación o resultado de los datos de un

nivel previo. Según Luján Mora y Trujillo (2006) consideran

que “the development of a data warehouse can be structured into

an integrated framework with five stages and three levels that

define different diagrams for the data warehouse model”,

mostrado en el cuadro Nº 03.

Estados

- Origen, en la cual define la estructura operacional de

orígenes de datos de la data warehouse, como el de los

sistemas de procesos de transaccionales On-line(OLTP),

orígenes de datos externos, entre otros.

- Integracion, en el cual define el mapa entre los orígenes de

datos y el data warehouse.

- Data warehouse, la cual define la estructura de la data

warehouse o data mart.

- Adaptacion, el cual define el proceso detransicion entre la

data warehouse y la estructura del cliente.

- Cliente, la cual define estructuras especiales que son usadas

por los clientes para acceder a la data warehouse, como los

data marts o las aplicaciones OLAP.

60

Niveles

- Conceptual, este nivel define la data warehouse desde un

punto de vista conceptual.

- Lógico, este nivel direcciona aspectos lógicos del diseño de

la data warehouse

- Físico, a este nivel se define los aspectos físicos de la data

warehouse.

Cuadro Nº 03. Diseño de un Data warehouse

Origen Integración

Data

Warehouse Adaptación Cliente

Conceptual

ORIGEN

ESQUEMA

CONCEPTUAL

Diagrama de clase

Estándar UML

DM

Diagrama de clase

Perfil de mapa de datos

DWCS

Diagrama de clase

Estándar UML

Perfil

Multidimensional

DM

Diagrama de clase

Perfil de mapa de

datos

CCS

Diagrama de clase

Estándar UML

Perfil

Multidimensional

Lógico

SLS

Diagrama de clase

Perfil de modelado

de datos diferentes

PROCESO ETL

Diagrama de clase

Perfil ETL

DWLS

Diagrama de clase

Perfil de modelado

de datos diferentes

PROCESO DE

EXPORTACION

Diagrama de clase

Perfil ETL

CLS

Diagrama de clase

Perfil de modelado

de datos diferentes

Físico

SPS

Diagrama de

componentes y

Despliegue

Perfil de

despliegue de la

base de datos

DIAGRAMA DE

TRANSPORTATION

Diagrama de

componentes y

Despliegue

Perfil de despliegue de

la base de datos

DWPS

Diagrama de

componentes y

Despliegue

Perfil de

despliegue de la

base de datos

DIAGRAMA

TRANPORTACION

Diagrama de

componentes y

Despliegue

Perfil de despliegue

de la base de datos

CPS

Diagrama de

componentes y

Despliegue

Perfil de

despliegue de la

base de datos

Fuente. Lujan mora y Trujillo (2006)

2.8.1.5. ESQUEMAS

La metodología DWEP consta de tres diferentes

esquemas: el esquema conceptual, el esquema lógico y el

61

esquema físico, tal como es mostrado en la figura Nº 10; en cada

uno de ellos con sus niveles respectivos.

Figura Nº 10. Los diferentes esquemas del Data Mart que propone la metodología DWEP:

esquema conceptual, lógico y físico.

Fuente: Lujan mora y Trujillo (2006)

En el desarrollo de un proyecto de almacén de datos es

importante la participación de los usuarios finales debido a que algunos

entregables del DWEP deben contar con su participación para su

elaboración.

La elección de la metodología DWEP como la metodología

seleccionada para desarrollar la solución planteada está basada en las

siguientes razones:

Primero, es una metodología basada en RUP (Rational Unified

Process), es decir, está basada en una metodología ampliamente

conocida y sobre todo propone las mejores prácticas en el desarrollo de

software. Por ello, es fácil comprender las etapas que comprenden así

como sus entregables. De esta manera DWEP adapta la metodología

62

RUP a los proyectos de desarrollo de almacenes de datos. Además,

también se basa en notación UML para elaborar sus propios entregables.

El emplear UML tiene las siguientes ventajas: es un lenguaje visual que

permite complejidad en el modelamiento, provee flexibilidad y

especialización en los diagramas, permite crear estereotipos

personalizados, permite modelar dimensiones que serían difíciles con un

diagrama de Entidad - Relación.

Segundo, si bien existen una gran variedad de modelos en el

diseño de almacenes de datos, no existe una metodología que esté

presente durante todo el desarrollo de dichos almacenes. La metodología

DWEP brinda una serie de entregables y herramientas desde la etapa de

levantamiento de información hasta la construcción del Data Mart

cubriendo etapas importantes como el proceso ETL. Así se emplea una

metodología que irá guiando al desarrollador durante todas las etapas del

proyecto.

2.9. TOMA DE DECISIONES

Cada uno de nosotros toma cientos de decisiones cada día. Este rango de

decisiones está dado desde las decisiones intransigentes o irrelevantes hasta las

decisiones significativas o relevantes.

La toma de decisiones a nivel individual se caracteriza por el hecho de

que una persona haga uso de su razonamiento y pensamiento para elegir una

solución a un problema que se le presente en la vida; es decir, si una persona

tiene un problema, deberá ser capaz de resolverlo individualmente tomando

decisiones con ese específico motivo.

Por su parte Stoner (2003) define la toma de decisiones como “el proceso

para identificar y solucionar un curso de acción para resolver un problema

específico”.

https://es.wikipedia.org/wiki/Razonamiento

https://es.wikipedia.org/wiki/Pensamiento

https://es.wikipedia.org/w/index.php?title=Stoner&action=edit&redlink=1

63

Según Hellriegel, y Slocum es el “proceso de definición de problemas,

recopilación de datos, generación de alternativas y selección de un curso de

acción” (Don Hellriegel y Slocum 2004).

Adicionalmente Guillén Rodríguez (2012) define la toma de decisiones

como un proceso mediante el cual se realiza una elección entre las opciones o

formas para resolver diferentes situaciones de la vida en diferentes contextos

(Guillén Rodríguez 2012, 24). Por lo mencionado la toma de decisiones importa

la elección de un camino a seguir, por lo que en un estado anterior deben

evaluarse alternativas de acción. Si estas últimas no están presentes, no existirá

decisión (Guillén Rodríguez 2012).

Tomar una buena decisión, significa que estamos informados y tenemos

la información pertinente y apropiada sobre la cual basaremos nuestras

decisiones entre diversas alternativas. En algunos casos, apoyamos las

decisiones a partir de datos existentes e históricos, mientras que otras veces

recopilamos la información, sobre todo para un proceso de elección particular.

La información se presenta en forma de hechos, números, impresiones,

gráficos, imágenes y sonidos. Tiene que ser obtenida de diversas fuentes, unido

y organizado.

El proceso de organización y de examinación de la información sobre las

diversas opciones es conocido como el proceso de modelado. Los modelos se

crearon para ayudar a los tomadores de decisiones a entender las ramificaciones

de seleccionar una opción. Los modelos pueden variar desde representaciones

bastante informales a relaciones matemáticas complejas.

Actualmente en el mundo de los negocios, se utilizan modelos para

ayudar a refinar nuestra comprensión de qué y cómo nuestros clientes compran

para así mejorar nuestra gestión de relaciones con los clientes.

64

La calidad de la decisión depende de la idoneidad de la información

disponible, la calidad de la información, el número de opciones, y la adecuación

de los esfuerzos de modelado disponibles en el momento de la decisión (Sauter

2010). Si bien no es cierto que a más información (o incluso a más análisis) la

decisión sería mejor, es cierto que a más del tipo de información requerida (y

análisis) es mejor. De hecho, se podría decir que, para mejorar el proceso de

elección, tenemos que mejorar los procesos de recolección y análisis de

información.

Cada vez más las empresas están tratando de tomar decisiones más

informadas para mejorar sus resultados. Algunos se refieren a estos esfuerzos

como utilizar la información y los mejores modelos para mejorar la toma de

decisiones, tales como la inteligencia de negocios (Sauter 2010). Siendo el

principal objetivo reunir la información y los modelos adecuados para entender

lo que está pasando en el negocio y para considerar los problemas desde

múltiples perspectivas con el fin de proporcionar la mejor orientación para la

toma de decisiones.

Una forma de lograr el objetivo de reunir la información y los modelos

adecuados para la toma de decisión informada, es utilizar los sistemas de soporte

de decisiones (DSS). Sistemas de apoyo a las decisiones son sistemas

informatizados ASED que reúnen información de una variedad de fuentes,

ayudar en la organización y análisis de la información, y facilitar la evaluación

de las hipótesis que sustentan el uso de modelos específicos. En otras palabras,

estos sistemas permiten a los tomadores de decisiones tengan acceso a los datos

pertinentes a través de la organización, ya que se necesitan para tomar decisiones

entre alternativas.

2.9.1. EL PROCESO DE TOMA DE DECISIONES

Para tomar una decisión existe un proceso que Simon (1960)

describió en cuatro distintas etapas en la toma de decisiones: inteligencia,

65

diseño, elección e implementación; dicho proceso es ilustrado en la

figura Nº 11 - proceso de toma de decisiones.

Figura Nº 11. Proceso de Toma de decisiones.

Fuente: Simon (1960)

Según Simon(1960) acerca del proceso de la toma de decisiones,

menciona lo siguiente: La inteligencia consiste en descubrir, identificar

y comprender los problemas que ocurren en la organización: por qué

existe un problema, en dónde y qué efectos tiene sobre la firma, El

diseño implica identificar y explorar varias soluciones para el problema.

La elección consiste en elegir una de varias alternativas de solución. La

implementación implica hacer que funcione la alternativa elegida y

continuar monitoreando qué tan bien funciona esa solución.

66

2.9.2. SISTEMAS DE SOPORTE A LA TOMA DE DECISIONES

Un sistema de soporte a la toma de decisiones, en inglés Decision

Support System (DSS), ha sido definida como una aplicación interactiva

basada en el computador, que combina datos y modelos matemáticos

para ayudar a los tomadores de decisiones a resolver problemas

complejos a los cuales se enfrentan en la gestión de las empresas y

organizaciones públicas y privadas (Vercellis 2009).

Esta definición implica la tres elementos principales de DSS, las

cuales son mostradas en la figura Nº 12 Datos, un repositorio de modelos

matemáticos y un módulo para el manejo del interfaz gráfico de usuario,

Tomador de decisiones, DSS sistema y los usuarios. De este modo,

destaca el papel de DSS como el punto focal de tendencias de evolución

en dos áreas distintas: por un lado, procesamiento de datos y tecnologías

de la información; y por otro lado, las disciplinas abordan el estudio de

los modelos y métodos matemáticos, tales como la investigación de

operaciones y estadísticas.

Figura Nº 12. Estructura de los sistemas de soporte a la toma de decisiones.


Datos Modelos

Interfaz Gráfica de Usuario

Tomador de Decisión

DSS

67

Las herramientas de análisis proporcionadas por una arquitectura

de inteligencia de negocios pueden ser considerados como DSS capaces

de transformar datos en información y conocimiento útil para los

tomadores de decisiones (Vercellis 2009). En este sentido, DSS son un

componente básico en el desarrollo de una arquitectura de inteligencia

de negocios.

Los DSS permiten los tomadores de decisiones para analizar los

datos generados a partir de sistemas de procesamiento de transacciones

y otras fuentes de información interna fácilmente. Además, el DSS

permitir el acceso a la información externa de la organización. Por

último, el DSS permiten los tomadores de decisiones la capacidad de

analizar la información de una manera que sea útil en una decisión en

particular y proporcionará el apoyo de forma interactiva (Sauter 2010).

Por lo tanto, la disponibilidad de DSS ofrece la oportunidad de

mejorar el recojo de datos y analiza los procesos asociados a la toma de

decisiones. Tomando la lógica un paso más allá, la disponibilidad de

DSS ofrece la oportunidad de mejorar la calidad y la capacidad de

respuesta de la toma de decisiones y por lo tanto la oportunidad de

mejorar la gestión de las empresas.

Dicho de otra manera, el DSS ofrece los tomadores de decisiones

la posibilidad de explorar la inteligencia de negocio de una manera eficaz

y oportuna (Sauter 2010).

68

2.9.3. HERRAMIENTAS DE TOMA DE DECISIONES

A. DATOS

Los datos representan una codificación estructurada de

entidades primarias individuales, así como de las transacciones que

involucran dos o más entidades primarias (Vercellis 2009).

B. INFORMACIÓN

La información es el resultado de las actividades de

extracción y procesamiento llevadas a cabo en los datos, y parece

significativo para los que lo reciben en un dominio específico

(Vercellis 2009).

C. CONOCIMIENTO

La información se transforma en conocimiento cuando se

utiliza para tomar decisiones y desarrollar las acciones

correspondientes. Por lo tanto, podemos pensar en el conocimiento

como un conjunto de información puesto a trabajar en un dominio

específico, reforzada por la experiencia y la competencia de los

tomadores de decisiones para abordar y resolver problemas

complejos (Vercellis 2009).

2.9.4. GESTIÓN ACADÉMICA

La Gestión Académica se encarga de las tareas relativas a las

cuestiones académicas relacionadas con los docentes y estudiantes, así

como también las tareas de soporte que componen a una determinada

institución.

69

La gestión académica se sustenta en la integración de sus

componentes: la formación profesional, la investigación, extensión y

proyección social, así como la cooperación nacional e internacional.

En el caso del presente proyecto se delimitara Comportamiento

académico de los estudiantes, la carga académica, entre otros.

Se espera que el Data Mart responda a las consultas como:

• ¿Cuántos alumnos de la escuela profesional de Ingeniería de Sistemas

e Informática, aprobaron el curso de ingeniería de software,

comparativamente entre el semestre académico 2013 – I y 2013 – II?

• ¿Cuántos alumnos aprobaron el curso de “Estructura de Datos” en la

escuela de Ingeniería de Sistemas con respecto a los alumnos de la

escuela de Estadística e Informática en el Semestre 2013-I?

• ¿Cuántos alumnos desaprobaron la asignara de “Ingeniería de

Software” con respecto en los últimos 5 semestres?

• ¿Cuántos alumnos de las diversas carreras de Facultad de Ciencias

aprobaron en el semestre 2013-I?


desaprobaron en el semestre 2013-I?


aprobaron en el semestre 2013-I con respecto al semestre 2012-II?

• ¿Cuántos alumnos de la escuela de Ingeniería de Sistemas se

encuentran en tercio superior en el semestre 2013-I?

70

• ¿Cuántos alumnos de la escuela de Ingeniería de Sistemas e

Informática, se encuentran en el tercio superior en el Semestre 2013-I

con respecto al semestre 2012-II?

• ¿Cuántos alumnos aprobaron por cursos de la escuela de Ingeniería de

Sistemas e Informática en el semestre 2013-I con respecto al semestre

2012-II?

• ¿Cuántos alumnos de la escuela de Estadística aprobaron frente

horario del curso de Estructura de Datos en el semestre 2012-II con

respecto al horario del semestre 2013-I?

2.10. DEFINICIÓN DE TÉRMINOS

- DATA WAREHOUSE

Un Data Warehouse es un repositorio de datos disponibles para

desarrollar arquitecturas de inteligencia de negocios y sistemas de apoyo a

la decisión. (Vercellis 2009)

Bill Inmon define a un Data Warehouse como “un tema orientado,

integrado, variante en el tiempo, colección de datos no volátil para el

soporte de las decisiones de la gerencia”. (Inmon 2005)

- DATA MART

Una data mart es un data warehouse pero para un subconjunto

pequeño de elementos de información. Estos normalmente comprenden un

conjunto pequeño o una sola área, de datos diseñados para un grupo

especial de usuarios (Westerman 2001)

71

- ER Entity-Relationship

El modelo Entidad Relación fue originalmente propuesto por Peter

Chen en 1976 como una forma de unificar la red y vistas de bases de datos

relacionales.

El modelo Entidad Relación es un modelo de datos conceptual que

considera el verdadero mundo como entidades (con atributos) y relaciones.

- ESQUEMA ESTRELLA

Un esquema estrella consiste en una tabla central(tabla hechos) y un

conjunto de tablas de dimensiones (Mazón, Pardillo y Trujillo 2011).

Esquema

- ETL

Proceso de Extracción, transformación y carga, encargada del de

extraer datos de Fuentes externas (comúnmente de bases de datos) para

proceder luego a la transformación y carga de datos procesados. (Luján

Mora y Trujillo 2006)

- OLAP

Una categoría de herramientas de software que provee análisis de

almacenes de datos (Luján Mora y Trujillo 2006).

- MOLAP

Tecnología multidimensional que utiliza vectores o matrices

multidimensionales para representar las diferentes estructuras

multidimensionales (Mazón, Pardillo y Trujillo 2011).

72

- ROLAP

OLAP Relacional, Tecnología relacional que utiliza elementos

relacionales como tablas, columnas, claves primarias, ajenas, etc., para

poder definir las diferentes estructuras multidimensionales (Mazón,

Pardillo y Trujillo 2011).

- RUP

Siglas en inglés Rational Unified Process que significan una

metodología de proceso de desarrollo de software para sistemas orientados

a objetos (Luján Mora y Trujillo 2006).

- SQL

Un lenguaje de consulta estándar (standardized query language) para

solicitar información a una base de datos. Existen diferentes dialectos de

SQL porque cada vendedor de DBMS define sus extensiones (Luján Mora

y Trujillo 2006).

- UML

UML cuyas siglas en inglés son Unified Modeling Language

Lenguaje de modelado unificado. De acuerdo a las especificaciones de

UML, Lenguaje de modelado unificado es un lenguaje gráfico de

visualización, específico, construido y documentado para la construcción

de un software (Luján Mora y Trujillo 2006).

- UNIFIED PROCESS

El proceso de desarrollo de software unificado, también conocido

como UP, es un estándar de procesos de ingeniería de software industrial

de los autores de UML (Luján Mora y Trujillo 2006).

73

- SISTEMA DE SOPORTE DE DECISIONES

Sistema de información interactivo que ayuda a las personas

encargadas de las tomas de decisiones a utilizar datos y modelos para

resolver problemas (Luján Mora y Trujillo 2006).

CAPÍTULO III

MATERIALES Y MÉTODOS

3.1. TIPO DE ESTUDIO

Este trabajo de investigación es de tipo Aplicada, que está orientada a un

problema pragmático especifico.

El tipo de investigación es Explicativa, según la profundidad, debido a

que se centra en explicar por qué ocurre un fenómeno y en qué condiciones se

manifiesta (Hernández Sampieri, Fernández Collado, & Baptista Lucio 2010).

Teniendo en cuenta lo mencionado, se manipula la variable independiente, el

Data Mart, para observar su efecto y su impacto sobre la variable dependiente,

la toma de decisiones de la gestión Académica de la Facultad de Ciencias.

75

De acuerdo a la orientación la investigación es Aplicada, porque la

presente investigación está orientada al desarrollo de un Data Mart, destinado al

soporte de la Toma de Decisiones de la Facultad de Ciencias de la UNASAM.

3.2. DISEÑO DE ESTUDIO

Diseño que se empleó en el presente proyecto de investigación es

Experimental con post prueba únicamente y grupo control. (Hernández

Sampieri, Fernández Collado y Baptista Lucio 2010)

Cuyo diagrama de muestra a continuación:

G1 X O1

G2 O2

G1 = Grupo-Experimental conformado por los directivos de la

Escuela Académico Profesional de Ingeniería de Sistemas e

Informática.

G2 = Grupo-Control conformado por los directivos de la

Escuela Académico Profesional de Estadística e Informática, y

Matemática.

X = Variable Independiente o manipulable, en este caso es la

implementación del Data Marts.

01 = post prueba al grupo Experimental.

02 = post Prueba al grupo Control.

76

3.3. POBLACIÓN Y MUESTRA

3.3.1. POBLACIÓN

La población de estudio del presente proyecto de investigación

estuvo conformada por la Facultad de Ciencias, la cual está compuesta

por las distintas escuelas profesionales, y representadas por la plana

jerárquica:

Cuadro Nº 04. Población jerárquica.

Población

Código Personal Número

03.01 Decano de la Facultad de Ciencias 01

03.02 Jefe de departamentos Académicos 03

03.03 Director de Escuela de la escuela profesional de Ingeniería de

Sistemas e Informática. 01

03.04 Director de Escuela de la escuela profesional de Estadística e

Informática. 01

03.05 Director de Escuela de la escuela profesional de Matemática. 01


3.3.2. MUESTRA

La muestra de estudio para el presente proyecto estuvo

conformada por la escuela de Ingeniería de Sistemas e Informática para

el Grupo experimental, y la escuela de Estadística e Informática y

Matemática para el Grupo control.

3.3.3. MUESTREO

Para el presente proyecto de investigación se realizó el muestreo

probabilístico estratificado con afijación proporcional, procedimiento en

cual el investigador compara sus resultados entre segmentos, grupos o

77

nichos de la población. En la cual la distribución se hace de acuerdo con

el tamaño de la población en cada estrato (Vivanco 2005).

3.4. TÉCNICAS E INSTRUMENTOS DE RECOLECCIÓN DE DATOS

La técnica consiste en visualizar o captar en forma sistemática el hecho

o fenómeno que se produce en su naturaleza en función a los objetivos de su

investigación preestablecidos (Arias 2011). La técnica utiliza para la recolección

de datos fue la observación, y su instrumento fue la escala de estimación.

Además, se utilizó la técnica de fichaje, es una técnica que sirvió para la

organización del marco teórico que viene hacer el soporte de la investigación,

las mismas que se registraron en fichas textuales, fichas de resúmenes, fichas

bibliográficas, entre otras.

Como instrumento se utilizó la escala de estimación que consta de 41

ítem estructurados en base a las variables, dimensiones e Indicadores

relacionados a la toma de decisiones de la gestión académica de la Facultad de

ciencias de la Universidad nacional Santiago Antúnez de Mayolo, cuya

valoración fue dada por la escala Likert que viene a ser: Siempre (3), casi

siempre (2), a veces (1) y Nunca (0).

Para la elaboración del instrumento, escala de estimación, se realizó la

operacionalización de las variables con la finalidad de especificar los indicadores

e ítems del cual se estructuro en el instrumento, organizando los ítems en base a

las dimensiones de la variable dependiente, la toma de decisiones de la gestión

académica.

78

3.5. TÉCNICAS DE PROCESAMIENTO Y ANÁLISIS DE LA

INFORMACIÓN

Las técnicas de procesamiento y análisis de datos utilizados en el

presente fueron las siguientes: Se utilizó las medidas de tendencia central

(media, mediana y moda.), para el análisis e interpretación de datos.

Además, se utilizó la estadística inferencial, la prueba de hipótesis con t-

student para la contrastación de la hipótesis.

3.6. MATERIALES

Los materiales que fueron utilizados durante el desarrollo del presente

proyecto de investigación están distribuidos en dos categorías (cuadro Nº 05,

cuadro Nº 06), especificando la cantidad utilizada y su unidad respectiva.

Cuadro Nº 05. Recursos materiales

1.1 MATERIALES

Ítem Descripción Unidad Cantidad

Software

01.01.01 Sistema Operativo Microsoft Windows 8 Unidad 01

01.01.02 SPSS Statistics Unidad 01

01.01.03 Microsoft SQL Server Unidad 01

01.01.04 Php Unidad 01

01.01.05 Rational rose Unidad 01

01.01.06 Microsoft Visio Unidad 01

01.01.07 Edraw Max Unidad 01

01.01.08 Sublime text 3.0 Unidad 01

01.01.09 Laravel 4.2 Unidad 01

01.01.10 Visual Studio Business Intelligence Unidad 01

Otros

01.02.01 Papel Bond A4 de 75 Gr Millares 01

01.02.02 Papel Bond A4 de 80 Gr Millares 02

01.02.03 Fólder de manila A4 Unidad 12

01.01.04 Perforador Unidad 01

01.02.05 Sobres manila tamaño A4 Unidad 15

01.02.06 Sobres manila tamaño Carta Unidad 15

01.02.07 Memoria USB de 8 Gb Unidad 02

01.02.08 CDs Unidad 15

01.02.09 DVDs Unidad 15

01.02.10 Clips Caja 01

01.02.11 Cinta scotch Unidad 05

01.02.12 Engrampadora Unidad 01

01.02.13 Saca Grapas Unidad 01

79


Otros

01.02.14 Lapiceros tinta seca Unidad 04

01.02.15 Lapiceros tinta liquida Unidad 03

01.02.16 Corrector Unidad 01


En el cuadro Nº 06, se enfoca en todos los Equipos que fueron utilizados

durante el desarrollo.

Cuadro Nº 06. Recursos en equipos

1.2 EQUIPOS


02.01

Computadora de escritorio: procesador Intel Core 2

Duo de 2.66 Ghz, memoria Ram DDR2 800

Kingston 4 Gb..

Unidad 01

02.02 Computadora portátil: procesador Intel Core i7 de

2.4 Ghz, memoria Ram DDR2 800 Kingston 8 Gb. Unidad 01

02.03 Servidor Unidad 01

02.04 Impresora. Unidad 01


3.7. MÉTODOS

3.7.1. MÉTODO GENERAL

El método general que se aplicó en la presente investigación fue

el método experimental que consiste en la manipulación de variable

independiente, el Data Mart, para luego evaluar el impacto o el efecto

que tuvo este sobre la variable dependiente, toma de decisiones de la

gestión académica de la Facultad de ciencias.

3.7.2. MÉTODOS ESPECÍFICOS:

Además, entre los métodos específicos aplicados que fueron

utilizados se encuentran:

80

El método Inductivo permitió estudiar el fenómeno de lo

conocido a lo desconocido.

El método Deductivo, que es un razonamiento que consiste en

tomar conclusiones generales para explicaciones particulares. El método

se inicia con el análisis de los postulados, teoremas, leyes, principios,

etc.; de aplicación universal y de comprobada validez, para aplicarlo a

soluciones o hechos particulares. (Hernández Sampieri, Fernández

Collado y Baptista Lucio 2010), que fue utilizado para contrastar las

hipótesis planteadas.

El método Analítico, cuya aplicación consistió en clasificar,

agrupar, comparar y diferenciar los datos de acuerdo al estudio

estadístico que se desarrolló.

El método sintético, que nos permitió resumir los datos

estadísticos en cuadros para realizar el posterior análisis respectivo.

3.8. OPERACIONALIZACIÓN DE VARIABLES

La operacionalización de las variables fue realizada teniendo en cuenta

las variables, sus dimensiones, indicadores para la elaboración de los ítems que

posteriormente fueron utilizados como insumo para el instrumento de medición.

En el cuadro Nº 07 se muestra la operacionalización de variables, la cual es

ampliada en el anexo Nº 05.

81

Cuadro Nº 07. Operacionalización de Variables

Variables Dimensiones Indicadores Ítems en la Escala de

Estimación

Independiente

Data Mart

Integrado

Información integrada

1, 2, 3, 4, 5, 6, 7, 8, 9,

10, 11, 12, 13, 14, 15,

16, 17, 18, 19, 20, 21,

22, 23

Estructura consistente

Niveles de detalle

Necesidades del Usuario

Temático

Datos organizados

Acceso fácil

Entendimiento del usuario final

No volátil

Permite el análisis

Toma de decisiones

Base de datos estable

Variante en el tiempo Predice tendencias

Se actualiza en un periodo de tiempo

Dependiente

Toma de Decisiones de la gestión Académica

Diseño

Identifica los planes de estudio

24, 25, 26, 27, 28, 29,

30, 31, 32, 33, 34, 35,

36, 37, 38, 39, 40, 41

Identifica a los docentes

Explora a los estudiantes

Elección

Selecciona los datos

Analiza los datos

Elige una alternativa


3.9. PROCEDIMIENTO

Para la realización de la presente investigación se utilizó el diseño

Experimental con post prueba para la contrastación de la hipótesis, detallado en

la sección 3.2 del presente. Además de ello se utilizó la metodología DWEP,

para el desarrollo del Data Mart, la cual integra modelos de casos de uso y los

componentes a utilizados.

3.9.1. IDENTIFICACIÓN DE REQUERIMIENTOS

La identificación de los requerimientos es un proceso clave

dentro de la construcción de un Data Mart, para ello se llevó a cabo el

proceso de identificación y captura de requerimientos para lo cual se

utilizó la entrevista con los stakeholders, como una técnica de

recopilación de datos. Además, se utilizaron otras fuentes de datos como

82

son: Documentos, publicaciones, guías entre otros. Para el análisis de

datos de los datos obtenidos se utilizaron las hojas de cálculo de Excel.

Después de la aplicación de la técnica de recopilación de datos,

se logró identificar los requerimientos funcionales y no funcionales de

que debe de cumplir la aplicación del Data Mart.

3.9.2. DISEÑO DEL DATA MART

Para el diseño de un Data Mart se utilizó la metodología DWEP,

definida en la sección 2.8.1; la cual nos facilitó la realización de modelo

de negocio UML y los modelos perecientes a la metodología utilizada.

Ademas se definió los componentes de software, hardware que se

utilizaron.

3.9.3. COMPROMETER A LOS STAKEHOLDER

Una vez definida los objetivos y estrategias, se buscó el apoyo de

los principales Stakeholders tales como los directores de escuela, el jefe

de la oficina general de estudio, los decanos de las diversas Facultades,

entre otros.

CAPÍTULO IV

ANÁLISIS

En el presente capítulo se definirá la metodología de la solución a emplear.

Luego se identificarán los requerimientos funcionales y no funcionales que debe

satisfacer la solución. Finalmente, se realizará el análisis dimensional que satisface a

los requerimientos.

4.1. ANÁLISIS DE LA SITUACIÓN ACTUAL

4.1.1. ANÁLISIS DEL ORGANIGRAMA FUNCIONAL

ESTRATÉGICO

La estructura orgánica funcional de la Universidad nacional

Santiago Antúnez de Mayolo de Ancash, está estructurada en los niveles

altos, por el rector, Vicerrector Académico, Vicerrectorado de

Investigación, y por l diversas Facultades de quienes el decano es el

principal responsable.

84

Figura Nº 13. Organigrama estructural de la Universidad Nacional Santiago Antúnez de

Mayolo

Fuente: Reglamento de organizaciones y funciones 2016

85

Siendo la Facultad de Ciencias un órgano de línea, con unidades

de servicios académicos y de investigación conformada por las

direcciones de escuelas profesionales de dicha Facultad, tales como la

escuela de Estadística, la escuela de Ingeniería de Sistemas e Informática

y la escuela de Matemática; además de ello, conformada también por las

direcciones de los Departamentos Académicos.

Siendo la Dirección de la Escuela Profesional encargada del

diseño y la actualización curricular permanente de una carrera

profesional, así como también de dirigir su aplicación para la formación,

capacitación pertinente hasta la obtención del grado académico de

bachiller y título profesional correspondiente. Dirigida por el director de

la escuela profesional, quien es un docente principal. Encargado de

resolver en primera instancia los problemas de los estudiantes.

Además, los Departamentos Académicos son unidades de

servicio académico que reúnen a docentes de disciplinas afines, con la

finalidad de estudiar, investigar y actualizar contenidos curriculares,

mejorar estrategias pedagógicas y preparar los sílabos por cursos o

materias, a requerimiento de las Escuelas Profesionales, además brindan

servicios a las diferentes Escuelas que lo requieran. Los encargados de

dirigir son los directores de departamento, es el representante del

departamento académico, y la asamblea de docentes, conformada por

todos los docentes ordinarios del departamento académico.

4.1.2. EVALUACIÓN DE LA CAPACIDAD INSTALADA

El personal que actualmente labora en la decanatura y las

direcciones de escuela de la Facultad de ciencias y los departamentos

académicos son:

86

Cuadro Nº 08. Personal de la Facultad de Ciencias

Código Área Personal Cantidad

01.01 Decanatura Decano de la Facultad de

Ciencias 01

01.02 Decanatura Secretaria de la Decanatura 01

01.03

Dirección de Escuela de la

escuela de Estadística e

Informática

Director de la Escuela de

Estadística e Informática 01

01.04


escuela de Estadística e

Informática

Secretaria de la Escuela de

Estadística e Informática 01

01.05


escuela de Ingeniería de Sistemas

e Informática


Ingeniería de Sistemas e

Informática

01

01.06


escuela de Ingeniería de Sistemas

e Informática


Ingeniería de Sistemas e

Informática

01

01.07 Dirección de Escuela de la

escuela de Matemática


Matemática 01

01.08 Dirección de Escuela de la

escuela de Matemática


Matemática 01

01.09 Departamento Académico de

Ciencias

Director del departamento

Académico de Ciencias 01


Ciencias

Secretaria del departamento

Académico de Ciencias 01


Estadística y Sistemas

Director del departamento

Académico de Estadística y

Sistemas

01


Estadística y Sistemas


Académico de Estadística y

Sistemas

01


Sistemas y Telecomunicaciones

Director del departamento Académico de Sistemas y

Telecomunicaciones

01


Sistemas y Telecomunicaciones


Académico de Sistemas y

Telecomunicaciones

01

Fuente: Elaboración propia.

Actualmente la Facultad de ciencias cuenta con los equipos

necesarios para el cumplimiento adecuado de las labores académicas,

siendo una computadora por cada uno de los cargos que son ejercidos.

87

4.1.3. ANÁLISIS DE LAS FORTALEZAS, OPORTUNIDADES,

DEBILIDADES Y AMENAZAS

Con el fin de identificar y analizar la situación actual de la

Facultad de Ciencias, se realizó un análisis FODA (Fortalezas,

debilidades, Oportunidades y Amenazas) la cual permitió conocer la

situación actual de la Facultad, la cual es mostrada en el cuadro Nº 09.

Teniendo como base que el análisis FODA es un instrumento de

planificación estratégica que permite la identificación y evaluación de

las fortalezas y debilidades de la organización, así como las

oportunidades y amenazas que esta presenta.

Cuadro Nº 09. Matriz de fortalezas, Oportunidades, Debilidades y Amenazas

ANÁLISIS FODA

INT

ER

NA

S

FORTALEZAS DEBILIDADES

- Posee un presupuesto anual.

- Cuenta con un personal.

- Cuenta con una instalación tecnológica

adecuada.

- Tiene acceso a los datos del Sistema Integral

de Gestión Académica.

- No todo el personal está capacitado en el uso de

tecnologías de la información y la comunicación.

- Los usuarios del SIGA solo pueden realizar consultas

ya elaboradas de forma genérica y no especifica

limitando así el análisis más detallado de los datos.

- La toma de decisiones requiere mayor tiempo de lo

programado.

- Falta de indicadores de desempeño académico

institucional.

- Falta de motivación de los recursos humanos.

EX

TE

RN

AS

OPORTUNIDADES AMENAZAS

- Imagen corporativa positivamente valorada en

la comunidad regional.

- Buscar financiamiento para incrementar el

capital de trabajo.

- Ampliar los proyectos de desarrollo en la

región.

- Capacitaciones para el uso de las TIC por parte

de la ONGEI (oficina nacional del gobierno

electrónico e informático).

- Publicidad electrónica utilizando las redes

sociales.

- Disponibilidad de equipos tecnológicos al

alcance de la población.

- Falta de una cultura informática, ya que no son

aprovechadas adecuadamente las nuevas TIC, así

como el conocimiento sobre sus aplicaciones y la

capacitación pertinente para el estudio y transmisión

de los contenidos.

- Fuerte competencia externa en el plano de toma

decisiones efectivas.

- Cambios en la legislación.

- Limitado acceso al ancho de banda.

- Existencia de personas con desconocimiento de

tecnológico.

Fuente: Elaboración propia

88

En base al análisis FODA realizado mostrado en el Cuadro Nº

09, se plantearon estrategias de análisis FODA, ver Cuadro Nº 10.

Cuadro Nº 10. Estrategias del análisis FODA

ESTRATEGIAS DEL ANÁLISIS FODA

OPORTUNIDADES AMENAZAS

1. Imagen corporativa positivamente

valorada en la comunidad regional.

2. Buscar financiamiento para incrementar el

capital de trabajo.

3. Ampliar los proyectos de desarrollo en la

región.

4. Capacitaciones para el uso de las TIC por

parte de la ONGEI (oficina nacional del

gobierno electrónico e informático).

5. Publicidad electrónica utilizando las redes

sociales.

6. Disponibilidad de equipos tecnológicos al

alcance de la población.

1. Falta de una cultura informática, ya

que no son aprovechadas

adecuadamente las nuevas TIC, así

como el conocimiento sobre sus

aplicaciones y la capacitación

pertinente para el estudio y

transmisión de los contenidos.

2. Fuerte competencia externa en el plano

de toma decisiones efectivas.

3. Cambios en la legislación.

4. Limitado acceso al ancho de banda.

FORTALEZAS FO FA

1. Posee un presupuesto anual.

2. Cuenta con un personal.

3. Cuenta con una instalación

tecnológica adecuada.

4. Tiene acceso a los datos del

Sistema Integral de Gestión

Académica.

- Gracias al presupuesto se podrá dar a

conocer a la población acerca del trabajo

realizado para así fortalecer la imagen.

- Con el Presupuesto Anual asignado es

posible ampliar los proyectos de desarrollo

en la región.

- Gracias a la instalación tecnológica con la

que se cuenta se podrá seguir realizando las

capacitaciones de la ONGEI.

- Con el acceso al SIGA y la disponibilidad

de equipos se podrá ampliar el número de

personas que puedan acceder a ella desde

distintos dispositivos electrónicos.

- El personal podrá ser capacitado por

ONGEI.

- Con el presupuesto y el personal, se

podrá mejorar el proceso de toma de

decisiones implementando nuevas

tecnologías que den soporte a la toma

de decisiones.

- Con la instalación tecnológica y el

presupuesto, se podrá brindar una

atención más eficiente a los usuarios

que lo requieran.

- Con el acceso al SIGA se podrá

resolver cuestiones de las personas con

bajos niveles de conocimiento

informático.

DEBILIDADES DO DA

1. No todo el personal está

capacitado en el uso de

tecnologías de la información y

la comunicación.

2. Los usuarios del SIGA solo

pueden realizar consultas ya

elaboradas de forma genérica y

no especifica limitando así el

análisis más detallado de los

datos.

3. La toma de decisiones requiere

mayor tiempo de lo

programado.

4. Falta de indicadores de

desempeño académico

institucional.

5. Falta de motivación de los

recursos humanos.

- Aprovechar las capacitaciones sobre el uso

de las TIC realizados por la ONGEI, para

capacitar al personal de la Facultad de

Ciencias.

- Gracias a la disponibilidad de equipos y a

la posibilidad de ampliar los proyectos, se

podrá realizar un proyecto que permita a

los usuarios tomadores de decisiones

realizar consultas más elaboradas con el fin

de que el proceso de toma de decisiones sea

más ágil.

- Optimizar el proceso de toma de

decisiones, utilizando los recursos

mínimos.

- sea en un menor tiempo.

- Impulsar el desarrollo de indicadores

de desempeño académico institucional;

contribuyendo a la mejora de la

institución.

- Impulsar reconocimientos a la labor,

contribuyendo a la mejora del clima

organizacional y la motivación del

personal.


EXTERNAS

INTERNAS

89

4.1.4. ANÁLISIS DE LA SITUACIÓN ACTUAL

Para comprender mejor los procesos que se realizan en la

Facultad de Ciencias en la parte operativa y en la parte consecución de

información de la gestión académica para el análisis para la toma de

decisiones, se logró identificar lo siguiente: la Facultad de Ciencias

(Direcciones de Escuela, Departamentos Académicos) realiza las

siguientes acciones de registro de datos de los alumnos ingresantes,

registro de matrículas en el Sistema Integral de Gestión Académica

(SIGA) de los estudiantes al iniciar un semestre académico, según el

cronograma emitido por la Oficina General de Estudios; recepción y

envió a Oficina General de Estudios de registro auxiliares y actas de

notas al finalizar un semestre, entre otras acciones a nivel opertivo.

Teniendo como base el nivel operativo, cuyos datos son

almacenados en la base de datos transaccional y centralizada ITUnasam,

administrada directamente por la Oficina General de Estudios de la

UNASAM, para la toma de decisiones dentro de la Facultad, se convierte

en un proceso tedioso que tiende a consumir tiempo, recursos y personal

para absolver una consulta. Adicionalmente, es importante conocer los

procesos principales para la obtención de datos dentro del negocio. Por

ello, a continuación, se presentarán los procesos de consulta de datos

desde la Dirección de Escuela. El Director de Escuela requiere revisar el

avance académico de los estudiantes y necesariamente revisa si tiene la

disponibilidad de datos, y si dispone de datos suficientes realiza la

consulta, y finalmente él da el visto bueno de la consulta. En el caso de

no disponibilidad de datos, el director de escuela elabora una orden de

consulta a la Decanatura, quienes son los encargados de verificar dicha

disponibilidad de datos, en el caso de no disponibilidad es enviado a la

Oficina General de Estudios, en cuya oficina el jefe asigna al

90

administrador de SIGA realizar la consulta. Como es mostrado en el

diagrama de actividades del Negocio.


Revisar el avance Académico de

los estudiantes y/o Docentes

Elaborar la orden de

Consulta a la Facultad

Dispone de datos No

Realizar la

consulta

Si

Dar el visto bueno de los

resultados de la consulta

Recepciona

resultados

Revisar la orden de

consulta

Elaborar la orden de

Consulta a la OGE

Dispone de datos

No

Realizar la

consulta

Si

Enviar resultados

de la Consulta

Recepciona

resultados



Recepcionar la orden

de Consulta



Asignar al administrador de Base

de Datos realizar la consulta

Enviar resultados

de la Consulta

Realizar la consulta directa

a la base de datos

Administrador de BD OGEJefe OGEDecano de la FacultadDirector de Escuela

Figura Nº 14. Diagrama de actividades del Negocio

91

4.2. IDENTIFICACIÓN Y DESCRIPCIÓN DE REQUERIMIENTOS

La identificación y descripción de requerimientos fue el proceso clave para

el desarrollo de la herramienta que mejora la toma de decisiones en la Facultad

de ciencias, por ello el principal requerimiento fue que el Data mart propuesto

brinde un conjunto facilidades que permitan utilizar la información disponible

de la gestión académica de la Facultad de ciencias para aportar información clave

en bien de mejorar la toma de decisiones. En base a esta premisa general, se

desglosa los requerimientos funcionales y no funcionales que debe de cumplir la

solución planteada.

4.2.1. REQUERIMIENTOS FUNCIONALES

Los requerimientos funcionales utilizados para el desarrollo de un

Data Mart constituyen las necesidades de información de los usuarios

finales que en este caso son los tomadores de decisiones de la gestión

académica de la Facultad de ciencias, conformado por el Decano,

directores de escuela de las diferentes escuelas académicas existentes en

la Facultad de ciencias y los directores de departamento académico de

Ciencias y de Estadística y Sistemas.

Para los tomadores de decisiones de la Facultad es imprescindible

la necesidad de contar con la información histórica acerca de la gestión

académica, debido a que la Facultad de Ciencias entro en funcionamiento

a partir de 26 de agosto de 1994, cuenta con un gran repositorio de datos

de toda la gestión académica desarrollada durante más 20 años

aproximadamente. Por lo cual se ha podido obtener algunas de las

necesidades de información, tales como:

• Contar con una herramienta para facilitar la toma de

decisiones, debido a que no se cuenta con ninguna herramienta en

la cual se apoye la toma de decisiones.

92

• Poder acceder a la información requerida rápidamente: el tener

acceso a la información requerida en el tiempo requerido es vital

para la toma de decisiones. Actualmente el Sistema de información

de la gestión Académica, sistema transaccional, que utiliza la

Universidad Nacional Santiago Antúnez de Mayolo depende de la

administración de la oficina general de estudios, generándose un

cuello de botella para el acceso a la información y consume mucho

tiempo para la elaboración de reportes.

• Contar con una herramienta fácil de usar. El Data Mart debe

contar una interfaz gráfica que permita una fácil interacción con la

misma. De esta manera, para el personal no será difícil aprender a

utilizarla y podrá verla como una herramienta útil.

Siendo los requerimientos funcionales identificados son los

siguientes:

• Los reportes o tableros de control requeridos para el sistema son:

Evolución del rendimiento académico de los estudiantes de la

Facultad de ciencias agrupados por modalidad de aprobación,

semestre académico, por escuela académica, etc.

El sistema debe de mostrar el Ranking de calificaciones de los

estudiantes por Facultades agrupados por condición de

aprobación del último semestre.

Tablero de control que muestre 4 gráficos sobre información

consolidada del rendimiento académico: Cantidad de

matriculados en el último semestre por Facultad, rendimiento

académico por Facultades en todos los semestres, Porcentaje

93

de aprobados versus desaprobados, Numero de Docentes

registrados por Departamento académico.

El sistema debe generar un reporte estadístico que indique la

evolución de los promedios ponderados por Facultad de todos

los semestres.

• El sistema debe de administrar perfiles de usuarios, debe de

permitir el registro de nuevos usuarios, la actualización de datos y

contraseñas.

• El sistema debe responder a las cuestiones del comportamiento

académico de los estudiantes, que los tomadores de decisiones

requieran, tales como: ¿Cuántos alumnos de la escuela profesional

de Ingeniería de Sistemas e Informática, aprobaron el curso de

ingeniería de software, comparativamente entre el semestre

académico 2013 – I y 2013 – II?, ¿ Cuántos alumnos aprobaron el

curso de “Estructura de Datos” en la escuela de Ingeniería de

Sistemas con respecto a los alumnos de la escuela de Estadística e

Informática en el Semestre 2013-I?¿ Cuántos alumnos

desaprobaron la asignara de “Ingeniería de Software” con respecto

en los últimos 5 semestres?, ¿Cuántos alumnos de las diversas

carreras de Facultad de Ciencias aprobaron en el semestre 2013-I?,

¿Cuántos alumnos de las diversas carreras de Facultad de Ciencias

desaprobaron en el semestre 2013-I?, ¿Cuántos alumnos de las

diversas carreras de Facultad de Ciencias aprobaron en el semestre

2013-I con respecto al semestre 2012-II?, ¿Cuántos alumnos de la

escuela de Ingeniería de Sistemas se encuentran en tercio superior

en el semestre 2013-I?, ¿Cuántos alumnos de la escuela de

Ingeniería de Sistemas e Informática, se encuentran en el tercio

superior en el Semestre 2013-I con respecto al semestre 2012-II?,

94

¿Cuántos alumnos aprobaron por cursos de la escuela de Ingeniería

de Sistemas e Informática en el semestre 2013-I con respecto al

semestre 2012-II?, ¿Cuántos alumnos de la escuela de Estadística

aprobaron frente horario del curso de Estructura de Datos en el

semestre 2012-II con respecto al horario del semestre 2013-I?,

entre otras cuestiones.

• El sistema debe responder a las cuestiones de los tomadores de

decisiones acerca del comportamiento académico de los docentes,

tales como: ¿Cuántos docentes que dictan el curso de Física I

pertenecen al Departamento Académico de Ciencias? ¿Cuáles son

los 5 docentes con mayores calificaciones en las encuestas del

último semestre? ¿Cuáles son los departamentos académicos con

mayores calificaciones de los docentes en el último semestre?,

entre otras cuestiones.

4.2.2. REQUERIMIENTOS NO FUNCIONALES

Los requerimientos no funcionales identificados son los

siguientes:

• El modelo multidimensional de la solución debe permitir la

creación de nuevas dimensiones en el futuro.

• La herramienta de explotación seleccionada debe permitir realizar

las técnicas de consulta multidimensional como Slicing, Dicing,

Drilling, etc. Además, debe permitir la creación de reportes

personalizados por el usuario final.

• La solución debe contener reportes y tableros de control elaborados

con la herramienta de explotación seleccionada. Además de la

95

posibilidad de exportarlos a archivos de formatos estándar como

Excel (.xls).

• la herramienta de explotación debe permitir mostrar la información

del Data Mart en base a los siguientes 3 tipos: Reportes

tradicionales (basados en columnas), Tablas pivote (matriz de

doble entrada) y Gráficos.

• La herramienta de explotación debe poder ser accedida vía Web y

tener una disponibilidad de 24 x 7.

4.3. ANÁLISIS DE REQUERIMIENTOS

En este ítem se detallará el análisis de los requerimientos funcionales

identificados que fueron empleados para el desarrollo de la solución.

4.3.1. DIAGRAMA DE CONTEXTO

Se tuvo en cuenta la definición de requerimientos para el

planteamiento de la solución, a fin que esté satisfaga dichos

requerimientos a través de su funcionalidad. En tal sentido la solución

está compuesta por dos componentes, el primero por el sistema de

soporte de decisiones y el otro por el Data Mart, tal como se muestra en

la figura Nº 15- Diagrama de Contexto, siendo el sistema de toma de

decisiones la interfaz gráfica por la cual el usuario, el tomador de

decisiones, interactúa con los datos para así de esta forma realizar el

análisis de la información. Siendo este sistema de toma de decisiones la

herramienta de explotación de datos desarrollada en el proceso de

desarrollo del presente proyecto.

96

Figura Nº 15. Diagrama de Contexto


Los tipos de usuarios que interactúan con la solución confluyen

en el Tomador de Decisiones, quien está conformado por el Director de

Escuela, Jefe de Departamento Académico, Decano, jefe de OGE. La

diferencia entre estos tipos de usuario son los permisos al acceso de la

información y pantallas de la interfaz.

Figura Nº 16. Tomadores de decisiones


4.4. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL

Después de haber realizado el análisis de la situación actual, y haber

identificado las carencias de los procesos para la obtención de datos e

información por parte de los tomadores de decisiones, se logró identificar que

para la realización y obtención de datos académicos se realizan diversos procesos

que en la mayoría son realizadas de forma manual, lo que provoca varias

deficiencias y demoras en la entrega de datos solicitados.

Tomador de Decisiones

Sistema de Toma de

DecisionesDatamart

Tomador de Decisiones

Director de Escuela

Jefe de Departamento Académico

Decano de la Facultad

Jefe de OGE

97

Teniendo en cuenta que la Facultad de ciencias no cuenta con un Data

Mart, que permita la realización de consultas de datos académicos de los

estudiantes, docentes y mallas curriculares en los diversos semestres que viene

funcionando, lo que provoca que las consultas más elaboradas requieran mayor

cantidad de tiempo de lo esperado, ya que este tipo de consultas serán realizadas

de forma manual utilizando recursos materiales y humanos. A ello se suma la

existencia de personal con poco conocimiento de las tecnologías de información

y el poco interés en cuanto a este tema.

Además, se realizó un cuadro de diagnóstico de la situación actual,

mostrado en el Cuadro Nº 11, que muestra las actividades de consulta que se

realizan, identificando como se llevan a cabo, que recursos utilizan y quienes

realizan la actividad planteada, para ello se planteó las siguientes cuestiones

¿Cómo lo hace?, ¿Con qué lo hace? y ¿Quién lo realiza? respectivamente.

Cuadro Nº 11. DIAGNÓSTICO DE LA SITUACIÓN ACTUAL

DIAGNÓSTICO DE LA SITUACIÓN ACTUAL

Nº Actividades ¿Cómo lo hace? ¿Con qué lo hace? ¿Quién lo realiza?

01

Consulta de datos

académicos del

estudiante

Se verifica los datos del

estudiante, se realiza una

consulta al SIGA-WEB.

Siendo una consulta con datos

comparativos, se utilizará los

datos del SIGA WEB y se

elaborará otra de forma

manual.

Se realiza con los datos

del SIGA-WEB y

materiales físicos como

actas.

Realizado por la

secretaria de la escuela

académica, directores de

escuela y decanos.

02

Consulta de datos

del Docente

Se verifica los datos del

docente, se realiza una

consulta al SIGA-WEB.

Siendo una consulta con datos


datos del SIGA WEB, las

hojas de vida y se elaborará

otra de forma manual.


del SIGA-WEB y


hojas de vida.

Realizado por la



escuela y decanos.

03

Consulta de datos

curriculares de una

especialidad

Se solicita la malla curricular

de una especialidad, para ello

se realiza una consulta al

SIGA-WEB. Siendo una

consulta con datos


datos del SIGA WEB, y las

que se encuentra en el plan

curricular y se elaborará otra

de forma manual.


del SIGA-WEB y


el plan curricular de cada

especialidad.

Realizado por la



escuela y decanos.


CAPÍTULO V

DISEÑO DE LA SOLUCIÓN

En el presente capítulo se mostrará la arquitectura que conforma la solución,

para luego detallar la estructura, la funcionalidad y la interfaz de la solución

5.1. ARQUITECTURA TECNOLÓGICA DE LA SOLUCIÓN

La arquitectura que permitió la implantación del Data Mart aplicado a la

Facultad de Ciencias está conformada por diversos componentes, entre las cuales

se encuentra las Fuentes de Información, los componentes ETL, el Data Mart,

Componentes OLAP y las interfaces de Usuario, la cual es ilustrado en la figura

Nº 17 Diagrama de la arquitectura tecnológica de la solución, en la cual se

subdivide entre los componentes que pertenecen al Back-End y los que

pertenecen al Front-End.

99

Figura Nº 17. Diagrama de la arquitectura tecnológica de la solución.


5.1.1. FUENTES DE INFORMACIÓN

La fuente de información principal está conformada por la base

de datos ITUnasam, que contiene la información a nivel transaccional de

la gestión académica de todos los estudiantes de la universidad desde sus

inicios hasta la actualidad.

El diagrama de clases de la base de datos fuente se muestra en la

figura Nº 18, además el diccionario de datos se muestra en el Anexo 8.

Esta base de datos es la fuente principal que proporciona datos al Data

Mart.

100

Figura Nº 18. Diagrama de Clases de la base de datos fuente

Fuente: Base datos ITUnasam

5.1.2. ETL

El componente ETL estuvo dado por los procesos inherentes para

la extracción de los datos de la fuente de información, para luego

transformarlo y cargarlo en la base de datos del Data Mart de la Facultad.

Para la realización del proceso ETL, fue importante realizar el

mapeo de datos de la base de datos fuente con la base de datos del Data

Mart, para lograr establecer las relaciones de los campos en ambas bases

de datos. La metodología DWEP propone el diagrama de Mapeo de datos

la cual es desarrollada en el anexo Nº 10, y uno de esos diagramas es

mostrado en la figura Nº 19, en la cual se puede observar las clases del

lado izquierdo que corresponde a las clases de la base de datos fuente

ITUNASAM y las del lado derecho a la dimensión de Estudiante

perteneciente al Data Mart.

AlumnoTrabajador

CursoProgramadoGrupo

FichaMatricula Sede

CursoProgramado

Cursos

DepartamentoAcademico

Ciclo Curricula

Rendimiento

Escuela

Respuesta

Encueta Pregunta

Semestre

TipoResolucionResolucion

TipoAprobado

Facultad Dedicacion Categoria

Condicion

Grado

101

Figura Nº 19. Diagrama de Mapeo de Estudiante

Alumno(f rom ITUNASAM)

Sede(f rom ITUNASAM)

Facultad(f rom ITUNASAM)

Escuela(f rom ITUNASAM)

Estudiante

Sede Escuela

Facultad

1

1

1

1..*

1

1..*

1

1..*

+child

+parent

+parent

+parent

+child

+child

Estudiante

Alumno.Alumno

Alumno.Escuela

Alumno.Apell idoPaterno

Alumno.Apell idoMaterno

Alumno.Nombre

Sede.Descripcion

Facultad.Descripcion

Escuela.Descripcion

Alumno.Varon

Estudiante.CodigoEstudiante

Estudiante.Codigo

Estudiante.NombreCompleto

Estudiante.Sede

Estudiante.Facultad

Estudiante.Escuela

Estudiante.Genero

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>


Después del mapeo de datos, fue necesario realizar el diseño del

flujo del proceso ETL, con el fin de cargar cada una de las dimensiones

y hechos del Data Mart teniendo en cuenta todas las variaciones y/o

transformaciones de los datos que se realizaron al pasar de la base de

datos fuente a la base de datos del Data Mart. La metodología DWEP

propone un diagrama que define el diseño de los procesos ETL, siendo

estos diagramas desarrollado en el Anexo 13. En la figura Nº 20 diagrama

de proceso ETL para la carga inicial de la dimensión Estudiante, se puede

observar que los datos requeridos para dicha carga son de las tablas

Alumno, Sede, Facultad y escuela de la fuente de datos ITUnasam,

teniendo en cuenta que se genera una nueva llave primaria y se filtran los

datos por la sede, escuela y Facultad.

102

Figura Nº 20. Proceso ETL de la Dimensión Estudiante





Dimension

Estudiante

Filtrar Sede,

Escuela y

Facultad

Generar

Clave

Estudiantes

Completos

Cargar

Estudiante

1..*

1

1

1..*

1..*

1


5.1.3. DATA MART

El componente Data Mart representa a la base de datos

multidimensional propiamente dicha, la cual posee una estructura

adecuada que permite la explotación y el análisis de datos, que serán

requeridos como fuente principal para la toma de decisiones.

Este componente es una base de datos, fue desarrollado sobre un

motor de bases de Datos MSSQL tal como fue desarrollado también el

componente de Fuentes de datos. Al ser un Data Mart, las tablas están

divididas en dos grupos: Dimensiones y hechos. Esta división facilita

agregar de forma más simple nuevas tablas en el tiempo. La

representación de las tablas que conforman la base de datos del Data Mart

es mostrado a través del diagrama de componente de la base de datos,

figura Nº 21, la cual es ampliada en el anexo Nº 12. Esquema físico del

Data Mart.

103

Figura Nº 21. Proceso ETL de la Dimensión Estudiante


5.1.4. OLAP

El componente OLAP, es acrónimo en inglés de procesamiento

analítico en línea (On-Line Analytical Processing), la que contiene los

servicios OLAP que sirviéndose de la base de datos de Data Mart permite

mostrar los datos en Cubos multidimensionales para su mejor análisis.

En la presente se empleó consultas SQL para la creación del cubo, las

cuales deben de ser transparentes para los usuarios finales.

5.1.5. INTERFAZ DE USUARIO

El componente interfaz de usuario representa la interfaz con la

que interactúa el usuario final, a través de la cual es posible adquirir datos

relevantes y útiles que faciliten la toma de decisiones. Para la explotación

de datos se desarrolló un aplicativo web que se emplea como una

herramienta de explotación de datos e interfaz de usuario, con la cual los

usuarios finales interactuaran para la obtención de datos relevantes para

la toma de decisiones dentro de la Facultad de ciencias.

Datamart

<<Base de Datos>>

Dimensiones

<<Categoria>>

Hechos

<<Categoria>>Estudiant

e

Semestre

Curricula Docente Modalidad

Aprobacion

CompAcad

Estudiante

CompDo

c

<<use>>

<<use>>

<<use>>

<<use>><<use>>

<<use>><<use>>

<<use>>

<<use>>

104

5.2. ANÁLISIS DIMENSIONAL

En esta sección se analiza el modelo dimensional que responde a los

requerimientos expuestos en la sección 4.2 del presente documento.

La metodología DWEP divide el diseño de un Data Mart en fases bien

definidas, las cuales son Diseño conceptual, lógico y físico. En cada fase se

genera un entregable y estos son: Esquema Conceptual del Data Mart, Esquema

Lógico del Data Mart y Esquema Físico del Data Mart.

5.2.1. DISEÑO CONCEPTUAL DEL DATA MART

Para satisfacer las necesidades de información de los usuarios de

la Facultad de Ciencias se definió dos esquemas de modelo estrella:

Comportamiento Académico del estudiante y Comportamiento Docente.

Teniendo en cuenta que cada esquema abarca un tema de análisis de

información en particular organizando las variables y dimensiones

necesarias para satisfacer la demanda de información.

5.2.1.1. ESQUEMA CONCEPTUAL DEL DATA MART - NIVEL

1

En este nivel se muestra la relación entre los esquemas

estrella que conforman la solución. Existen dos esquemas

estrella en la solución. El primer esquema es el comportamiento

académico estudiante el cual presenta información acerca del

avance académico de los estudiantes. El segundo esquema es de

comportamiento docente el cual muestra información general

del avance académico de los docentes ideal para el análisis a

detalle.

105



2

En este nivel se detalla cada uno de los esquemas

presentado en el nivel 1, además se presenta las dimensiones

con que se relaciona cada tabla de hecho.

A. ESQUEMA COMPORTAMIENTO ACADÉMICO

DEL ESTUDIANTE

El esquema de comportamiento académico del

estudiante tiene como tabla principal a la tabla de hechos

Comportamiento Académico Estudiante, la cual contiene

la información acerca del avance académico de los

estudiantes, así como también de la malla curricular en la

que está el estudiante.

Comportamiento Académico

Estudiante

Comportamiento Docente

Figura Nº 22. Esquema Conceptual del Datamart – Nivel 1

106

Figura Nº 23. Esquema conceptual del Comportamiento Académico del estudiante

HechoComportamiento Académico

Estudiante

Dimensión

Semestre

Dimensión

Alumno

Dimensión

Curricula

Dimensión

ModalidadAprobación

Dimensión

Docente


B. ESQUEMA COMPORTAMIENTO DOCENTE

El esquema de comportamiento Docente tiene como

tabla principal a la tabla de hechos Comportamiento

Docente, la cual contiene la información acerca de los

cursos que dicta un docente y la valoración que los

estudiantes le dan a los docentes.

107

Figura Nº 24. Esquema conceptual del Comportamiento Docente

HechoComportamiento Docente

Dimensión

Curricula

Dimensión

SemestreDimensión

Docente



3

En este nivel se desarrolla el detalle de cada dimensión

presentado en el nivel anterior para poder definir la información

que contiene y sobre todo la jerarquía en la información

contenida por cada dimensión. La especificación de cada

dimensión a nivel lógico podrá observarse en el entregable de

Esquema Lógico de Data Mart.

108

A. DIMENSION ESTUDIANTE

Figura Nº 25. Esquema conceptual de la Dimensión Estudiante

Alumno

Sede Escuela

Facultad

1

1

1

1..*

1

1..*

1

1..*

+child

+parent

+parent

+parent

+child

+child

Estudiante


B. DIMENSION SEMESTRE

Figura Nº 26. Esquema conceptual de la Dimensión Semestre


Semestre

Semestre

1

1

109

C. DIMENSION CURRICULA

Figura Nº 27. Esquema conceptual de la Dimensión Curricula


D. DIMENSION MODALIDAD DE APROBACION

Figura Nº 28. Esquema conceptual de la Dimensión Modalidad de Aprobación


Facultad

Escuela

Curso

Curricula

1

1

1

1..*

Curricula

1..* 1

1..*

1

+child

+child

+child

+parent

+parent

+parent

1..*

+child1

+parent

Curso

Modalidad Aprobacion

1

1

110

E. DIMENSION DOCENTE

Figura Nº 29. Esquema conceptual de la Dimensión Modalidad de Aprobación


En resumen, se puede observar en el cuadro Nº 12 Facts

vs Dimensiones, en la cual se observa todos los modelos tipo de

Estrella en las columnas y en las filas las dimensiones, las

mismas que son empleadas en más de una tabla de Hechos.

Dedicacion Categoria

Trabajador

Docente

1

1

1

1

1..*

Condicion Grado

1..* 1

Departamento Academico

1..*1..*

1

1..*

+child

+child

+child

+child

+child+parent

1 +parent

+parent

+parent

+parent

111

Cuadro Nº 12. Facts vs Dimensiones

FACTS O TABLA DE HECHOS

DIMENSIONES Comportamiento

Académico Estudiante

Comportamiento

Docente

Estudiante X

Curricula X X

Semestre X X

Modalidad de Aprobación X

Docente X X


5.3. DISEÑO DE EXTRACCIÓN

El diseño de la extracción del Data Mart detalla el mapeo de datos de cómo

se cargan los datos de las tablas fuentes a las tablas destino, las cuales son

mostradas líneas abajo.

Cuadro Nº 13. Mapeo de Datos del Data Mart de la tabla Estudiante

Tabla Estudiante

Campo Tipo Mapeo

CodigoAlumno VARCHAR (14) Estudiante.CodigoAlumno

Codigo VARCHAR (12) Estudiante.Codigo

NombreCompleto VARCHAR (150) Mayuscula(Estudiante.NombreCompleto)

Sede VARCHAR (100) Mayuscula(Estudiante.Sede)

Facultad VARCHAR (100) Mayuscula(Estudiante.Facultad)

Escuela VARCHAR (100) Mayuscula(Estudiante.Escuela)

Genero VARCHAR (10) Mayuscula(Estudiante.Genero)


112

Cuadro Nº 14. Mapeo de Datos del Data Mart de la tabla Docente

Tabla Docente

Campo Tipo Mapeo

CodigoDocente VARCHAR (6) Docente.CodigoDocente

NombreDocente VARCHAR (150) Mayuscula(Docente.NombreDocente)

Dedicacion VARCHAR (100) Mayuscula(Docente.Dedicacion)

Categoria VARCHAR (100) Mayuscula(Docente.Categoria)

Condicion VARCHAR (100) Mayuscula(Docente.Condicion)

Departamento Academico VARCHAR (100) Mayuscula(Docente.Departamento Academico)

Grado VARCHAR (100) Mayuscula(Docente.Grado)

Profesion VARCHAR (100) Mayuscula(Docente.Profesion)


Cuadro Nº 15. Mapeo de Datos del Data Mart de la tabla Semestre

Tabla Semestre

Campo Tipo Mapeo

CodigoSemestre varchar(6) Semestre.CodigoSemestre

Semestre varchar(100) Mayuscula(Semestre.Semestre)


Cuadro Nº 16. Mapeo de Datos del Data Mart de la tabla ModalidadAprobacion

Tabla ModalidadAprobacion

Campo Tipo Mapeo

CodigoAprobacion varchar(2) ModalidadAprobacion.CodigoAprobacion

ModalidadAprobacion varchar(100) ModalidadAprobacion.ModalidadAprobacion


Cuadro Nº 17. Mapeo de Datos del Data Mart de la tabla ComAcadEstudiante

Tabla ComAcadEstudiante

Campo Tipo Mapeo

CodigoCurricula varchar(16) ComAcadEstudiante.CodigoCurricula

CodigoAlumno varchar(12) ComAcadEstudiante.CodigoAlumno

CodigoDocente varchar(6) ComAcadEstudiante.CodigoDocente

CodigoSemestre varchar(6) ComAcadEstudiante.CodigoSemestre

CodigoAprobacion varchar(2) ComAcadEstudiante.CodigoAprobacion

PromedioFinal numeric(18,0) ComAcadEstudiante.PromedioFinal

Promedio Anterior numeric(18,0) ComAcadEstudiante.Promedio Anterior

NotaAplazados numeric(18,0) ComAcadEstudiante.NotaAplazados

Condicion varchar(100) Mayuscula(ComAcadEstudiante.Condicion)


113

Cuadro Nº 18. Mapeo de Datos del Data Mart de la tabla CompDoc

Tabla CompDoc

Campo Tipo Mapeo

CodigoCurricula VARCHAR (16) CompDoc.CodigoCurricula

CodigoAlumno VARCHAR (12) CompDoc.CodigoAlumno

CodigoDocente VARCHAR (6) CompDoc.CodigoDocente

CodigoSemestre VARCHAR (6) CompDoc.CodigoSemestre

Seccion CHAR (1) CompDoc.Seccion

Encuesta VARCHAR (100) CompDoc.Encuesta

Pregunta VARCHAR (200) CompDoc.Pregunta

Valoracion NUMERIC (18,2) CompDoc.Valoracion

Cantidad INT CompDoc.Cantidad


Cuadro Nº 19. Mapeo de Datos del Data Mart de la tabla Curricula

Tabla Curricula

Campo Tipo Mapeo

CodigoCurricula VARCHAR(16) Curricula.CodigoCurricula

Facultad VARCHAR(100) Mayuscula(Curricula.Facultad)

Escuela VARCHAR(100) Mayuscula(Curricula.Escuela)

Curricula CHAR(2) Mayuscula(Curricula.Curricula)

NombreCurso VARCHAR(100) Mayuscula(Curricula.NombreCurso)

Ciclo CHAR(4) Mayuscula(Curricula.Ciclo)

TipoCurso VARCHAR(100) Mayuscula(Curricula.TipoCurso)

HorasTeorica INT Curricula.HorasTeorica

HorasPractica INT Curricula.HorasPractica


5.4. DISEÑO DE EXPLOTACIÓN

La interfaz de usuario es la herramienta clave con la cual el usuario final

interactúa con el fin de obtener datos relevantes las cuales posteriormente

utilizará para la toma de decisiones de la Facultad. Con este fin se desarrolló un

aplicativo web que permite la explotación de datos, la cual se desarrolló

utilizando herramientas actuales disponibles en el mercado.

La GUI de salida de datos del aplicativo web para la explotación, debe

de permitir la fácil manipulación de criterios de consulta por dimensiones y los

114

valores numéricos respectivos, en tal sentido se planteó el siguiente diseño de

interfaz gráfica de usuario, mostrado en la figura Nº 30, todas las páginas del

aplicativo web, a excepción de la interfaz de inicio de sesión y el dashbord

seguirán el patrón de diseño.

Figura Nº 30. Patrón de diseño del aplicativo web


• Barra de Titulo y Usuario, Contiene el título del aplicativo web, el logotipo

de la Universidad Nacional Santiago Antúnez de Mayolo, y la configuración

necesaria de Usuario.

• Sesión de Usuario, Durante la sesión activa se muestra el nombre del Usuario

y el cargo que ocupa.

• Menú Principal, accede a cada ítem del menú despegable que muestra las

diversas funcionalidades del aplicativo.

Barra de Titulo y Usuario

Sesión de Usuario

Menú Principal

Filtros

Lista de

Criterios de

Consulta

Criterios de Consulta Seleccionado Tipo de Vista Lista de

Operaciones

Cri

teri

os

de

Co

nsu

lta

Sel

ecci

on

ad

o

Tabla o Gráfico de Datos

115

• Filtros, filtra la carga de datos según cada condicional.

• Tipo de Vista, selecciona el tipo de vista: Tabla, gráfico entre otras opciones

de visualización.

• Lista de Operaciones, lista las operaciones con las cuales se pueden

operacionalizar cada uno de los criterios, como por ejemplo la suma, máximo,

mínimo, promedio, entre otras operaciones.

• Lista de Criterios de Consulta, muestra los criterios de consulta de todas las

dimensiones que interactúan en un hecho.

• Criterios de Consulta Seleccionado, Muestra los criterios seleccionados por

columna o fila.

• Tabla o Gráfico de Datos, operacionaliza los criterios seleccionados según

las operaciones realizadas, generando así una tabla Pivote.

Además, los datos generados podrán ser migrados a una hoja de cálculo de

Excel, la cual podrá ser utilizado fácilmente por el usuario final.

116

CAPÍTULO VI

CONSTRUCCIÓN DE LA SOLUCIÓN

En el presente capítulo se desarrolla los criterios y aspectos tomados en cuenta

en la etapa de construcción. Además, la estrategia utilizada según el tipo de prueba

utilizado.

6.1. CONSTRUCCIÓN

La fase de construcción está definida principalmente por la

implementación de los procesos ETL debido a que los modelos de la base de

dato fuente y del Data Mart ya fueron desarrolladas.

Adicionalmente, para la interfaz gráfica de usuario se emplea como

herramienta de explotación un aplicativo web que fue desarrollado utilizando

ingeniería de software. En esta sección se detallan las principales características

tecnológicas, motores y frameworks utilizados para el desarrollo.

117

6.1.1. HERRAMIENTAS Y SOLUCIONES

Las herramientas utilizadas para el desarrollo del Data Mart y el

aplicativo web, son detalladas líneas abajo.

6.1.1.1. BASE DE DATOS

El motor de base de datos utilizado para el desarrollo del

Data Mart fue Microsoft SQL Server, que es una herramienta

OLAP que permite dar soporte a las soluciones de Inteligencia

de Negocios. Entre las principales ventajas de esta herramienta

son:

- Facilidad de uso: Microsoft SQL facilita las tareas de

administración de la base de datos debido a que

automatizan la administración de la misma mediante una

interfaz gráfica fácil de usar.

- Autoadministración dinámica: Automatiza muchas tareas

de rutina como: los recursos de memoria, el tamaño de los

archivos, etc.

- Integración: Permite la integración con los demás

productos de la familia de Microsoft ampliamente

conocidos como Windows y Microsoft Office.

- Desempeño, confiabilidad y escalabilidad.

6.1.1.2. FRAMEWORK

El framework utilizado para el desarrollo del aplicativo

web fue laravel, la cual es un framework de código abierto para

118

desarrollar aplicaciones web y servicios web utilizando php. Las

principales ventajas de este son:

- Sistema de ruteo.

- Blade y Motor de plantillas.

- Peticiones Fluent.

- Eloquent ORM.

- Basado en Composer.

- Soporte para el caché.

- Soporte para MVC, modelo vista controlador.

- Usa componentes de Symfony.

6.1.1.3. LENGUAJE DE PROGRAMACIÓN

El lenguaje de programación utilizado para el desarrollo

fue PHP, Hypertext Preprocessor, la cual es un lenguaje de

código abierto muy popular especialmente adecuado para el

desarrollo web y que puede ser incrustado en HTML fácilmente.

6.1.2. ESPECIFICACIÓN DE CONSTRUCCIÓN

Las especificaciones de la construcción del Data Mart y el

aplicativo web, definen la construcción a partir componentes o

especificaciones de construcción independientes, que se corresponden

con un empaquetamiento físico de los elementos del diseño de detalle,

como pueden ser módulos, clases o especificaciones de interfaz.

Se generó las especificaciones necesarias para la creación de las

estructuras de datos para el Data Mart, y el gestor de base de datos

utilizado como se vio en el capítulo de diseño. En el cuadro Nº 20, se

muestra las tareas, productos, técnicas y práctica, y los participantes

119

responsables de desarrollar dicha tarea todo ello según la metodología

Metrica versión 3.

Cuadro Nº 20. Procedimiento de Operación y administración

Tarea Productos Técnicas y

practicas Participantes

DSI 8.1

Especificación del

Entorno de

Construcción

Especificaciones de Construcción

del Sistema de Información:

- Especificación del Entorno de

Construcción

Análisis de

requerimientos.

Diagnóstico de

situación Actual.

- Responsable del Proyecto

- Responsable de Soporte Técnico

- Responsable de Sistemas

- Responsable de Seguridad

DSI 8.2

Definición de

Componentes y

Subsistemas de

Construcción

• Especificaciones de Construcción


- Descripción de Subsistemas de

Construcción y Dependencias

- Descripción de Componentes

- Plan de Integración del Sistema de

Información

•

• Diagrama de

Componentes

• Diagrama de

Despliegue


DSI 8.3

Elaboración de

Especificaciones de

Construcción

• Especificaciones de Construcción


- Especificación Detallada de

Componentes

•

• Diagrama de

Componentes

-


DSI 8.4

Elaboración de

Especificaciones del

Modelo Físico de

Datos

Especificaciones de Construcción


- Especificación de la Estructura

Física de Datos

Modelo Entidad

Relación de la

base de datos


- Administradores de la Base de

Datos

Fuente: Metodología MÉTRICA Versión 3- Construcción del Sistema de Información.

6.1.3. PROCEDIMIENTOS DE OPERACIÓN Y ADMINISTRACIÓN

El procedimiento de operación y administración del Data Mart y el

aplicativo web tuvo como objetivo mantener la disponibilidad y

operatividad de todos los componentes necesarios para la correcta

construcción del Data Mart y el aplicativo web. Entre los componentes

se encuentran las herramientas OLAP, los gestores de bases de datos, las

librerías, el hardware requerido, entre otros.

120

Para la construcción se requirió los diversos diagramas

desarrollados en los capítulos anteriores, y la especificación de

construcción que representaron el insumo para el presente.

Cuadro Nº 21. Procedimiento de Operación y administración



CSI 1.1 Implantación de la Base de

Datos Física.

Base de Datos del Data

Mart. -

Equipo del Proyecto

- Administrador de Bases de Datos

CSI 1.2 Preparación del Entorno de

Construcción.

Entorno de Construcción

del aplicativo Web. -

Equipo del Proyecto

- Técnicos de Sistemas

- Equipo de Operación



6.1.4. PROCEDIMIENTOS DE SEGURIDAD Y CONTROL DE

ACCESO

Las aplicaciones web requieren cierto grado de seguridad y control

de acceso, ya que estas administran datos relevantes para la organización,

en tal sentido dentro de la construcción del Data Mart y el aplicativo web

con el objetivo de generar procedimientos de administración, de

seguridad y control de acceso a este, brindando así seguridad y

confidencialidad a los datos que procesen utilizando este aplicativo.

Los procedimientos de seguridad fueron creados utilizando

estándares, y normas que se detallaron en capítulos anteriores. En la

figura Nº 31 muestra el flujo de la administración de Seguridad y control

de acceso.

121

Figura Nº 31. Flujo de administración de seguridad y control de Acceso.

Comprobar permiso de

usuario


usuarioUsuario No AutenticadoUsuario Autenticado

Usuario


usuarioUsuario No AutenticadoUsuario Autenticado

Usuario

Fuente: Elaboración Propia.

Además, la aplicación web se desarrolló tomando en cuenta el

protocolo AAA (Authentication, Authorization & Accounting), la cual

realiza tres funciones la autenticación, autorización y la contabilización.

La primera es encargada de validar la identidad de un usuario ante otra,

la segunda es la concesión de privilegios a un determinado usuario, y la

ultima es el seguimiento del consumo o acciones realizadas durante la

sesión del usuario.

Cuadro Nº 22. Generación del Código de los Componentes y Procedimientos



CSI 2.1 Generación del Código

de Componentes

Producto Software:

- Código Fuente de los

Componentes

Equipo del Proyecto

- Programadores

CSI 2.2

Generación del Código

de los Procedimientos de

Operación y Seguridad

Producto Software:

- Procedimientos de Operación

y Administración del Sistema

- Procedimientos de Seguridad

y Control de Acceso

-

Equipo del Proyecto



- Administrador de la Base de

Datos

- Programadores


122

6.1.5. PROCEDIMIENTOS DE OPERACIÓN Y MANUALES DEL

USUARIO.

Teniendo en cuenta las especificaciones de construcción, así como

la construcción de procedimientos se procedió a desarrollar el Data Mart

y a codificar el aplicativo web. Adicionalmente a ello se procedió a la

realización de las pruebas Unitarias y de integración.

Cuadro Nº 23. Procedimiento de Operación y Manuales de Usuario



CSI 6.1 Elaboración de los

Manuales de Usuario

Producto Software

- Manuales de Usuario -

Equipo del Proyecto



6.1.6. CONSTRUCCIÓN DE LOS COMPONENTES Y

PROCEDIMIENTOS DE MIGRACIÓN Y CARGA INICIAL DE

DATOS

La base de datos del Data Mart requirió de los procesos ETL, y

estos requerían a su vez de procedimientos de migración y carga, a partir

de las especificaciones recogidas en los capítulos de análisis y diseño.

Previamente a la generación del código, se preparó la

infraestructura tecnológica necesaria para realizar la codificación y las

pruebas de los distintos componentes y procedimientos asociados, de

acuerdo a las características del entorno de migración especificado en el

plan de migración y carga inicial de datos, visto en el capítulo de diseño,

para posteriormente realizar la Migración.

123

Cuadro Nº 24. Construcción de los Componentes y Procedimientos de Migración y Carga

Inicial de Datos



CSI 6.1 Elaboración de los

Manuales de Usuario

Producto Software

- Manuales de Usuario -

Equipo del Proyecto

- Administrador de Bases

de Datos

CSI 8.1

Preparación del Entorno de

Migración y Carga Inicial

de Datos

- Entorno de Migración

Equipo del Proyecto



- Equipo de Seguridad

- Administradores de Bases

de Datos

CSI 8.2

Generación del Código de

los Componentes y

Procedimientos de

Migración y Carga Inicial

de Datos

- Código Fuente de los

Componentes de Migración y

Carga Inicial de Datos

- Procedimientos de Migración y

Carga Inicial de Datos

Equipo del Proyecto

- Programadores

CSI 8.3

Realización y Evaluación

de las Pruebas de Migración

y Carga Inicial de Datos

- Resultado de las pruebas de

migración y carga inicial de datos

- Evaluación del resultado de las

pruebas de migración y carga

inicial de datos

- Pruebas

Unitarias

- Pruebas de

Integración

Equipo del Proyecto


6.2. PRUEBAS

Dentro del proceso de la construcción de una solución, las pruebas

constituyen una de las actividades indispensables, porque a través de estas se

asegurará la calidad del software. Debido a ello es necesario realizar un plan de

pruebas para verificar si cumple con los requisitos planteado en capítulos

anteriores.

La prueba para la presente solución de inteligencia de negocios evalúa la

calidad de los datos, lo que difiere con el aplicativo web en la cual se evalúa el

software y su funcionamiento, en tal sentido en el presente ítem se presenta solo

las pruebas del Data Mart. En tal sentido se probaron los siguientes puntos:

124

- Los procesos ETL, desde la base de datos fuente hasta la base de datos del

Data Mart.

- La base de datos del Data Mart.

- Herramienta OLAP – aplicativo web.

Sobre estos objetos se realizarán las siguientes pruebas empleado el

método de caja negra o también conocidos como las pruebas funcionales:

- Prueba de Extracción, Transformación y Carga desde la base de datos

fuente a la base de datos del Data Mart.

- Prueba de Funcionalidad en Herramienta OLAP. Se prueba que la

información en cada uno de los cubos corresponda a la información de la

base de datos fuente.

Cuadro Nº 25. Elementos de Prueba y criterios de aceptación

Objetos de Prueba Proceso Involucrado Criterio de Aceptación Proceso de Extracción,

Transformación y carga de datos del

Data Mart

Extracción, transformación y carga

Los datos extraídos de la base de datos fuente

deben ser los mismos que los datos cargados en

la base de datos del Data Mart.

Herramienta OLAP Explotación La información de los cubos debe corresponder

a la obtenida de la base de datos del Data Mart.


125

6.2.1. CASO DE PRUEBA PARA ETL ESTUDIANTE

A. Caso de prueba

Cuadro Nº 26. Caso de Prueba 1

CASO DE PRUEBA Nº01

OBJETO A ANALIZAR DEL CASO DE PRUEBA

Proceso ETL y Base de Datos del Data Mart.

OBJETIVO DEL CASO DE PRUEBA:

Verificar que la tabla ESTUDIANTE sea correctamente cargada de la tabla fuente ALUMNO.

PRE-REQUISITOS DEL CASO DE PRUEBA:

- Disponibilidad de la BD Fuente.

- BD Data Mart creada.

- El script debe estar creado y listo para usarse.

PARÁMETROS REQUERIDOS:

- Fecha inicio

- Fecha fin

DATOS DE ENTRADA:

- Tabla ALUMNO

- Tabla SEDE

- Tabla FACULTAD

- Tabla ESCUELA

Nº FUNCIÓN A PROBAR ACCIÓN RESULTADO ESPERADO RESULTADO OBTENIDO

01 Cantidad de registros por

tabla en la BD Fuente frente a

la cantidad de registros por

tabla en BD Data Mart.

Ejecutar el script La tabla ESTUDIANTE muestre

la misma cantidad de registros

que la tabla ALUMNO.

Se cargó los datos

correctamente.


B. Ejecución del caso de prueba

• Datos de Entrada:

Tabla ALUMNO: Se listan las columnas significativas para el

proceso y una porción del número de registros.

Cuadro Nº 27. Registros de la Tabla Alumno

Alumno ApellidoPaterno ApellidoMaterno Nombre Varon

00.0001.5.AC CABELLO CHAVEZ JULIO CESAR 1

00.0002.N.AC PADILLA PALMA LUIS MIGUEL FORTUNATO 1

00.0004.9.AC SOLIS VERGARAY GUSTAVO ADOLFO 1

00.0005.3.AC BERROCAL CABRERA SADRO ANGEL 1

00.0006.8.AL GAMARRA TAHUA DANIEL 1

00.0007.2.AM PACHECO ZAMUDIO GEDEON JUAN 0

00.0008.7.AC PATRICIO MEDINA ISRAEL PEDRO 1

00.0009.1.AC JARA REMIGIO LUZ GUILLERMA 1

Fuente: Base de datos ITUNASAM

126

Tabla SEDE: Se listan las columnas significativas para el proceso

y una porción del número de registros.

Cuadro Nº 28. Registros de la Tabla SEDE

Sede Descripcion

01 HUARAZ

02 BARRANCA

03 POMABAMBA

04 CHIQUIAN


Tabla FACULTAD: Se listan las columnas significativas para el


Cuadro Nº 29. Registros de la Tabla FACULTAD

Facultad Descripcion

01 CIENCIAS

02 CIENCIAS AGRARIAS

03 ADMINISTRACION Y TURISMO

04 INGENIERIA INDUSTRIAS ALIMENTARIAS

05 CIENCIAS DEL AMBIENTE

06 INGENIERIA MINAS GEOLOGIA Y METALURGIA

07 INGENIERIA CIVIL

08 CIENCIAS MEDICAS

10 DERECHO Y CIENCIAS POLITICAS

11 CIENCIAS SOCIALES EDUCACION Y DE LA COMUNICACION


Tabla ESCUELA: Se listan las columnas significativas para el


Cuadro Nº 30. Registros de la Tabla ESCUELA

Escuela Descripcion Facultad

01 AGRONOMIA 02

02 INDUSTRIAS ALIMENTARIAS 04

03 INGENIERIA AGRICOLA 02

04 ESTADISTICA E INFORMATICA 01

05 MATEMATICA 01

06 INGENIERIA AMBIENTAL 05

07 INGENIERIA SANITARIA 05

08 INGENIERIA DE MINAS 06

09 INGENIERIA CIVIL 07

10 OBSTETRICIA 08


127

• Resultado final:

- Tabla Fuente

En la figura Nº 32 muestra la consulta de Alumnos a la base de datos

ITUNASAM, en la cual genera 32596 registros.

Figura Nº 32. Consulta a base de ITUNASAM, tabla Alumno


- Tabla final

En la figura Nº 33 muestra la consulta de la dimensión Estudiante de

la base de datos DATA MARTUNASAM, en la cual genera 32596

registros.

Figura Nº 33. Consulta a base de DATA MARTUNASAM, tabla Estudiante


Finalmente, se revisó los contenidos de la Dimensión Estudiante se

comprueba que los datos son los esperados.

128

6.2.2. CASO DE PRUEBA PARA ETL CURRICULA

A. Caso de prueba

Cuadro Nº 31. Caso de Prueba Nº2





Verificar que la tabla CURRICULA sea correctamente cargada de la tabla fuente CURRICULA.






- Semestre de inicio

- Semestre fin

DATOS DE ENTRADA:

- Tabla CURSOS

- Tabla CURRICULA

- Tabla ESCUELA

- Tabla FACULTAD






Ejecutar el script La dimensión CURRICULA

muestre la misma cantidad de

registros que la tabla

CURRICULA.

Se cargó los datos

correctamente.




Tabla CURRICULA: Se listan las columnas significativas para el


Cuadro Nº 32. Registros de la Tabla Curricula

Curricula Descripcion

01 CURRICULA 2005

05 CURRICULA 2007

04 CURRICULA 2007

04 CURRICULA 2008

05 CURRICULA 1997

04 CURRICULA 1998

02 CURRÍCULA 1993


129

Tabla SEDE: Se listan las columnas significativas para el proceso

y una porción del número de registros.

Cuadro Nº 33. Registros de la Tabla SEDE

Sede Descripcion

01 HUARAZ

02 BARRANCA

03 POMABAMBA

04 CHIQUIAN


Tabla CURSOS: Se listan las columnas significativas para el


Cuadro Nº 34. Registros de la Tabla CURSOS

Curso Nombre Numero

Creditos

Ciclo Tipo

Curso

Horas

Teoria

Horas

Practica

Horas

Laboratorio

Tipo

CQ-G01 QUÍMICA GENERAL I 5 I O 4 3 0 2

UE-K10 TALLER DE

COMUNICACIÓN

ORAL Y ESCRITA

2 I O 1 2 0 2

CB-Q01 BIOLOGÍA GENERAL 4 I O 3 3 0 2

CM-A02 MATEMÁTICA I 5 I O 4 2 0 2

UE-L01 LENGUAJE I 3 I O 2 2 0 2

CM-A02 MATEMATICAS I 5 I O 4 2 0 2

BS-S01 INTRODUCCIÓN A LA

INGENIERÍA

SANITARIA

2 I O 1 2 0 2

CB-Q01 BIOLOGIA GENERAL 4 I O 3 3 0 2


Tabla ESCUELA: Se listan las columnas significativas para el


Cuadro Nº 35. Registros de la Tabla ESCUELA

Escuela Descripcion Facultad

01 AGRONOMIA 02

02 INDUSTRIAS ALIMENTARIAS 04

03 INGENIERIA AGRICOLA 02

04 ESTADISTICA E INFORMATICA 01

05 MATEMATICA 01

06 INGENIERIA AMBIENTAL 05

07 INGENIERIA SANITARIA 05

08 INGENIERIA DE MINAS 06


130

Tabla FACULTAD: Se listan las columnas significativas para el


Cuadro Nº 36. Registros de la Tabla FACULTAD

Facultad Descripcion

01 CIENCIAS

02 CIENCIAS AGRARIAS

03 ADMINISTRACION Y TURISMO

04 INGENIERIA INDUSTRIAS ALIMENTARIAS

05 CIENCIAS DEL AMBIENTE

06 INGENIERIA MINAS GEOLOGIA Y METALURGIA

07 INGENIERIA CIVIL

08 CIENCIAS MEDICAS

10 DERECHO Y CIENCIAS POLITICAS

11 CIENCIAS SOCIALES EDUCACION Y DE LA COMUNICACION



- Tabla Fuente

En la figura Nº 34 muestra la consulta de Curricula a la base de datos

ITUNASAM, en la cual genera 8744 registros.

Figura Nº 34. Consulta a base de ITUNASAM, tabla Curricula


- Tabla final

En la figura Nº 35 muestra la consulta de la dimensión Curricula de

la base de datos DATA MARTUNASAM, en la cual genera 8744 registros.

131

Figura Nº 35. Consulta a base de DATA MARTUNASAM, tabla Curricula


Finalmente, se revisó los contenidos de la Dimensión Curricula se


6.2.3. CASO DE PRUEBA PARA ETL DOCENTE

A. Caso de prueba

Cuadro Nº 37. Caso de prueba Nº 03





Verificar que la tabla DOCENTE sea correctamente cargada de la tabla fuente DOCENTE.







- Semestre fin

DATOS DE ENTRADA:

- Tabla TRABAJADOR

- Tabla DEDICACION

- Tabla CATEGORIA

- Tabla CONDICION

- Tabla GRADO

- Tabla DEPARTAMENTOACADEMICO






Ejecutar el script La dimensión DOCENTE



DOCENTE.

Se cargó los datos

correctamente.


132



Tabla TRABAJADOR: Se listan las columnas significativas para

el proceso y una porción del número de registros.

Cuadro Nº 38. Registros de la Tabla TRABAJADOR

Trabajador Apellido

Paterno

Apellido

Materno

Nombre Departamento

Académico

Grado

DFA028 DOMINGUEZ FLORES ANTONIO MARIANO 43 B

DHJ240 DAGA HUARICANCHA JOSE 43 B

DILA02 ITA LUNA ASTRID IRIS 44 B

DLG309 LOPEZ DE

GUIMARAES

DOUGLAS 47 B

DLJ003 DIAZ LEDESMA JOHN ALEX 46 B

DLLX02 DURAN LEON LIZ XIOMARA 46 B


Tabla DEDICACION: Se listan las columnas significativas para


Cuadro Nº 39. Registros de la Tabla DEDICACION

Dedicación Descripción Activo

DE DEDICACIÓN EXCLUSIVA 1

TC TIEMPO COMPLETO 1

TP TIEMPO PARCIAL 1


Tabla CATEGORIA: Se listan las columnas significativas para el


Cuadro Nº 40. Registros de la Tabla CATEGORIA

Categoria Descripcion Abreviatura Activo

1 ASOCIADO A 1

2 PRINCIPAL P 1

3 AUXILIAR X 1

4 JEFE DE PRÁCTICAS J 1


133

Tabla CONDICION: Se listan las columnas significativas para el


Cuadro Nº 41. Registros de la Tabla CONDICION

Condicion Descripcion Abreviatura Activo

1 NOMBRADO N 1

2 CONTRATADO C 1


Tabla GRADO: Se listan las columnas significativas para el


Cuadro Nº 42. Registros de la Tabla GRADO

Grado Descripcion Activo

B BACHILLER 1

D DOCTORADO 1

M MASTER 1


Tabla DEPARTAMENTOACADEMICO: Se listan las columnas

significativas para el proceso y una porción del número de registros.

Cuadro Nº 43. Registros de la Tabla DEPARTAMENTOACADEMICO

Departamento

Académico Descripción Facultad Escuela Activo

51 AGRONOMIA 2 1 1

38 CIENCIAS 1 5 1

39 ESTADISTICA Y SISTEMAS 1 25 1

40 CIENCIA Y TECNOLOGIA DE ALIMENTOS 4 2 1

41 INGENIERIA AGRICOLA 2 3 1

42 INGENIERIA CIVIL 7 9 1

43 INGENIERIA DE MINAS 6 8 1

44 CIENCIAS DEL AMBIENTE 5 6 1

45 ECONOMIA Y CONTABILIDAD 12 12 1

46 ADMINISTRACION Y TURISMO 3 13 1

47 CIENCIAS DE LA SALUD 8 10 1

48 DERECHO Y CIENCIAS POLITICAS 10 16 1

49 EDUCACION 11 26 1

50

CIENCIAS SOCIALES Y CIENCIAS DE LA

COMUNICACION 11 24 1


134


- Tabla Fuente

En la figura Nº 36 muestra la consulta utilizando el script de carga

de Docente a la base de datos ITUNASAM, en la cual genera 1431

registros.

Figura Nº 36. Consulta a base de ITUNASAM, utilizando el script de Docente


- Tabla final

En la figura Nº 37 muestra la consulta de la dimensión Docente de

la base de datos DATA MARTUNASAM, en la cual genera 8744 registros.

Figura Nº 37. Consulta a base de DATA MARTUNASAM, tabla Docente


Finalmente, se revisó los contenidos de la Dimensión Docente se


135

6.2.4. CASO DE PRUEBA PARA ETL MODALIDAD_APROBACION

A. Caso de prueba

Cuadro Nº 44. Caso de Prueba Nº 04





Verificar que la tabla TIPO_APROBACION sea correctamente cargada de la tabla fuente MODALIDAD_APROBACION.







- Semestre fin

DATOS DE ENTRADA:

Tabla TIPO_APROBACION

Nº FUNCIÓN A PROBAR ACCIÓN RESULTADO ESPERADO RESULTADO

OBTENIDO





Ejecutar el script La dimensión

MODALIDAD_APROBACION



TIPO_APROBACION.

Se cargó los datos

correctamente.




Tabla TIPO_APROBACION: Se listan las columnas

significativas para el proceso y una porción del número de registros.

Cuadro Nº 45. Registros de la TIPO_APROBACION

TipoAprobado Descripción

e CONVALIDACIONES POR EQUIVALENCIAS

I TRASLADO INTERNO

M MATRICULA

S EXAMEN DE SUFICIENCIA

X TRASLADO EXTERNO


136


- Tabla Fuente

En la figura Nº 38 muestra la consulta de TIPO_APROBACION a

la base de datos ITUNASAM, en la cual genera 5 registros.

Figura Nº 38. Consulta a base de ITUNASAM, tabla MODALIDAD_APROBACION


- Tabla final

En la figura Nº 39 muestra la consulta de la dimensión

MODALIDAD_APROBACION de la base de datos DATA

MARTUNASAM, en la cual genera 5 registros.

Figura Nº 39. Consulta a base de DATA MARTUNASAM, tabla

MODALIDAD_APROBACION


Finalmente, se revisó los contenidos de la Dimensión

MODALIDAD_APROBACION se comprueba que los datos son los esperados.

137

6.2.5. CASO DE PRUEBA PARA ETL SEMESTRE

A. Caso de prueba

Cuadro Nº 46. Caso de Prueba Nº 05





Verificar que la tabla SEMESTRE sea correctamente cargada de la tabla fuente SEMESTRE.







- Semestre fin

DATOS DE ENTRADA:

- Tabla SEMESTRE






Ejecutar el script La dimensión SEMESTRE



SEMESTRE.

Se cargó los datos

correctamente.




Tabla SEMESTRE: Se listan las columnas significativas para el


Cuadro Nº 47. Registros de la Tabla SEMESTRE

Semestre Descripcion

2000-0 SEMESTRE 2000-0

2000-1 SEMESTRE 2000-1

2000-2 SEMESTRE 2000-2

2001-0 SEMESTRE 2001-0

2001-1 SEMESTRE 2001-1

2001-2 SEMESTRE 2001-2

2002-0 SEMESTRE 2002-0


138


- Tabla Fuente

En la figura Nº 40 muestra la consulta de SEMESTRE a la base de

datos ITUNASAM, en la cual genera 118 filas.

Figura Nº 40. Consulta a base de ITUNASAM, tabla SEMESTRE


- Tabla final

En la figura Nº 41 muestra la consulta de la dimensión SEMESTRE

de la base de datos DATA MARTUNASAM, en la cual genera 118 filas.

Figura Nº 41. Consulta a base de DATA MARTUNASAM, tabla SEMESTRE


Finalmente, se revisó los contenidos de la Dimensión SEMESTRE se


139


ACADÉMICO ESTUDIANTE

A. Caso de prueba

Cuadro Nº 48. CASO DE PRUEBA Nº 06





Verificar que la tabla ComAcadAlumno sea correctamente cargada de la tabla fuente Rendimiento.







- Semestre fin

DATOS DE ENTRADA:

- Tabla RENDIMIENTO






Ejecutar el script La dimensión ComAcadAlumno



DOCENTE.

Se cargó los datos

correctamente.




Tabla RENDIMIENTO: Se listan las columnas significativas para


Cuadro Nº 49. Registros de la Tabla RENDIMIENTO

Sede Escuela Curso Semestre Seccion Alumno TipoAprobado Grupo Promedio

1 1 QU-S02 1997-1 0 97.0001.1.E2 M 1 14

1 1 QU-S02 1997-1 0 97.0002.6.E2 M 1 13

1 1 QU-S02 1997-1 0 97.0003.0.E2 M 1 12

1 1 QU-S02 1997-1 0 97.0004.5.E2 M 1 12

1 1 QU-S02 1997-1 0 97.0016.7.A2 M 1 11

1 1 QU-S02 1997-1 0 97.0019.0.A2 M 1 14

1 1 QU-S02 1997-1 0 97.0025.5.A2 M 1 0


140


- Tabla Fuente

En la figura Nº 42 muestra la consulta del script para el

comportamiento académico a la base de datos ITUNASAM, en la cual

genera 1347281 filas.

Figura Nº 42. Consulta a base de ITUNASAM, tabla Curricula


- Tabla final


ComAcadAlumno de la base de datos DATA MARTUNASAM, en la cual


Figura Nº 43. Consulta a base de DATA MARTUNASAM, tabla ComAcadAlumno


Finalmente, se revisó los contenidos de la Dimensión ComAcadAlumno se


141


ACADÉMICO DOCENTE

A. Caso de prueba

Cuadro Nº 50. CASO DE PRUEBA Nº 07





Verificar que la tabla CURRICULA sea correctamente cargada de la tabla fuente DOCENTE.







- Semestre fin

DATOS DE ENTRADA:

- Tabla ENCUESTA

- Tabla PREGUNTA

- Tabla RESPUESTA






Ejecutar el script La dimensión DOCENTE



DOCENTE.

Se cargó los datos

correctamente.




Tabla ENCUESTA: Se listan las columnas significativas para el


Cuadro Nº 51. Registros de la Tabla ENCUESTA

Encuesta Descripcion Semestre

1 PRIMERA ENCUESTA ALUMNOS (2007-1) 2007-1

2 SEGUNDA ENCUESTA PARA ALUMNOS (2007-2) 2007-2

3 TERCERA ENCUESTA (2008-1) 2008-1

4 CUARTA ENCUESTA (2008-2) 2008-2

5 QUINTA ENCUESTA (2009-1) 2009-1

6 SEXTA ENCUESTA (2009-2) 2009-2


142

Tabla PREGUNTA: Se listan las columnas significativas para el


Cuadro Nº 52. Registros de la Tabla PREGUNTA

Pregunta Descripcion Observacion

1 ENTREGÓ EL SILABO Y DESARROLA EL

CURSO DE ACUERDO A LO PROGRAMADO

La presentación del silabo debe hacerse oportunamente al

Departamento Académico y la Escuela Profesional correspondiente

y durante el desarrollo del curso ceñirse de acuerdo a lo programado

2 ASISTE, INICIA Y TERMINA SUS CLASES

PUNTUALMENTE

Se le recomienda llegar puntualmente al desarrollo de sus clases y

cumplir con el tiempo programado según el horario correspondiente

3

PLANIFICA, IMPLEMENTE Y CONDUCE EL

PROCESO DE ENSEÑANZA-APRENDIZAJE

ADECUADAMENTE

Es responsabilidad del docente universitario preparar sus clases con

antelación, no improvisarlas y de ese modo demostrar un adecuado

desempeño

4 AL INICIO DE LA CLASE COMUNICA LOS

OBJETIVOS Y/O COMPETENCIAS A LOGRAR

El docente debe explicar al inicio de la clase los contenidos y

actividades que desarrollará durante la sesión de aprendizaje

5

DEMUESTRA DOMINIO AMPLIO Y

PROFUNDO DE LA ASIGNATURA A SU

RESPONSABILIDAD

Es necesario que usted se prepare convenientemente para un

dominio amplio y profundo de los temas que desarrolla en clase

6 MANEJA ESTRATEGIAS METODOLÓGICAS

ADECUADAS AL NIVEL UNIVERSITARIO

Usted debe desarrollar sus sesiones de aprendizaje empleando

adecuadas estrategias, métodos y técnicas de enseñanza como: la

clase magistral, el seminario, los talleres y otras adecuadas a su

asignatura

7 SATISFACE LAS EXPECTATIVAS

ACADÉMICAS DE LOS ALUMNOS

Para que el alumno esté satisfecho con su desempeño académico

debe absolver todas sus dudas y demostrar solvencia académica en

el desarrollo de su materia

8 ESTIMULA LA PARTICIPACIÓN EN CLASE,

EL TRABAJO EN EQUIPO Y EL LIDERAZGO

Para el caso debe usted desarrollar las sesiones de aprendizaje

empleando métodos activos y participativos que propicien la

participación en clase, el trabajo en equipo y el liderazgo

9

UTILIZA MEDIOS Y MATERIALES

EDUCATIVOS ADECUADOS INCLUYENDO

EL SOPORTE INFORMÁTICO

Se debe incorporar el uso desde la programación del silabo, durante

las tareas académicas y las sesiones de clase de material

bibliográfico, e-mail, Chat, Web, equipos multimediales y otros en

el desarrollo del curso

10

MOTIVA A TENER UNA ACTITUD DE

INVESTIGACIÓN Y BÚSQUEDA DE

INFORMACIÓN CIENTÍFICA POR

DIFERENTES MEDIOS

En este ítem usted debe demostrar que se actualiza

permanentemente, presentando información novedosa o en su

defecto resultados de sus investigaciones o los avances de la ciencia

y la tecnología


Tabla RESPUESTA: Se listan las columnas significativas para el


Cuadro Nº 53. Registros de la Tabla RESPUESTA

Sede Escuela Curricula Curso Semestre Seccion Encuesta Pregunta Valoracion

1 1 3 AF-A03 2007-1 1 1 1 4

1 1 3 AF-A03 2007-1 1 1 2 4

1 1 3 AF-A03 2007-1 1 1 3 4

1 1 3 AF-A03 2007-1 1 1 4 4

1 1 3 AF-A03 2007-1 1 1 5 5

1 1 3 AF-A03 2007-1 1 1 6 5

1 1 3 AF-A03 2007-1 1 1 7 4

1 1 3 AF-A03 2007-1 1 1 8 5

1 1 3 AF-A03 2007-1 1 1 9 5

1 1 3 AF-A03 2007-1 1 1 10 4

1 1 3 AF-A03 2007-1 1 1 11 4

1 1 3 AF-A03 2007-1 1 1 12 5


143


- Tabla Fuente

En la figura Nº 44 muestra la consulta al script de carga de datos de

Comportamiento Docente a la base de datos ITUNASAM, en la cual


Figura Nº 44. Consulta a base de ITUNASAM, al script de Comportamiento Docente


- Tabla final


Comportamiento docente de la base de datos DATA MARTUNASAM, en

la cual genera 448946 filas.

Figura Nº 45. Consulta a base de DATA MARTUNASAM, tabla COMDOC


Finalmente, se revisó los contenidos de la Dimensión COMDOC se


CAPÍTULO VII

IMPLEMENTACIÓN

En el presente capitulo se aborda la estrategia para la implantación del Data Mart,

identificando los distintos recursos, infraestructura, equipamiento y redes que son

requeridos para la implementación.

7.1. MONITOREO Y EVALUACIÓN DE LA SOLUCIÓN.

La solución de inteligencia de negocio planteado para la Facultad de

Ciencias está conformada por diferentes elementos que conforman parte de la

solución, para el correcto funcionamiento de las operaciones debe de permanecer

en un estado óptimo, y para ello se planteó el monitoreo y evolución de la solución

teniendo en cuenta los elementos, las políticas y reglas de procedimientos.

145

7.1.1. ELEMENTOS DEL MONITOREO Y EVALUACIÓN.

Para la implementación, de la solución de Inteligencia, existen

elementos de monitoreo, tales como el Personal capacitado, la

disponibilidad y correcto funcionamiento de las instalaciones; teniendo

en cuenta el tiempo y el costo al que incurre este proceso.

7.1.2. POLÍTICAS Y REGLAS DE PROCEDIMIENTO

Las políticas y reglas de procedimientos a tomar en cuenta para

el correcto funcionamiento serán planteados mensualmente y

anualmente por el jefe de área inmediato tal como el decano o el jefe de

OGE.

1. En las direcciones de Escuela, será responsabilidad de los

directores de escuela garantizar el correcto funcionamiento de los

equipos de cómputo.

2. En la oficina general de estudio, será responsabilidad del jefe de

OGE solicitar el mantenimiento preventivo del equipo de cómputo.

3. El mantenimiento preventivo de los equipos se ajusta al plan anual

de la oficina de informática de la Universidad Nacional Santiago

Antúnez de Mayolo.

4. En caso de descubrirse fallas, el responsable del proyecto será

notificado inmediatamente para efectuar la reparación que

corresponda.

5. Las observaciones y resultados que no estén dentro de los

parámetros esperados, se tomarán de manera directa con el

administrador del Data Mart, para su conocimiento y corrección

correspondiente.

146

6. Revisar la disponibilidad de espacio y desfragmentación de disco

mensualmente en el servidor.

7. El jefe de OGE deberá establecer fechas de actividades de

monitoreo periódico, con el fin de detectar problemas en el

funcionamiento de este.

8. Los plazos de actualización de datos del Data Mart serán

establecidos por la oficina general de estudios.

9. Revisar el estado general del sistema operativo (conexión a red,

actualización de parches de seguridad), cada semana y bajo

demanda.

10. En el caso de la herramienta de filtrado de sitios y contenido de

Internet, éste deberá depurarse periódicamente.

11. Revisar contra la infección de virus y malware (adware, spyware,

etc.) semanalmente.

7.1.3. PLAN DE MONITOREO Y EVALUACIÓN.

El proceso de monitoreo y evaluación involucra a distintos

actores, siendo el principal responsable la oficina general de Estudio

representado por el jefe de OGE; los principales resultados se

evidenciarán durante el uso del Data Mart, en cuadro Nº 54- Plan de

Monitoreo y evaluación.

147

Cuadro Nº 54. Plan de Monitoreo y evaluación

Lógica de Intervención Indicador Responsable Actividad Tiempo

Implementación del Data

Mart.

(Número de consultas

implementadas/Número de

consultas programadas)

x100

Jefe de Proyecto

Procesos de Migración de Datos.

Proceso de evolución de datos.

Levantamiento de la Base de

Datos del Data Mart.

Puesta en marcha de la

herramienta web.

7 días.

7 días.

2 días.

5 días.

Mejora de la toma de

decisiones en la gestión

académica

(Número de consultas

implementadas para la

toma de

decisiones/Número de

consultas programadas

para la toma de decisiones)

x100

Jefe de Proyecto

Directores de

Escuela.

Grado de soporte a la toma de

decisiones en la gestión

Académica. Permanente


Tener un plan de evaluación a largo plazo ayudará a tomar

decisiones futuras que tengan que ver con los criterios de evaluación,

además se debe de incluir a todos los actores del proceso.

7.2. BITÁCORA Y PUESTA A PUNTO.

La implantación de la solución de inteligencia de Negocio-Data Mart se

realizó correctamente teniendo en cuenta los siguientes pasos que se describen a

continuación:

7.2.1. MIGRACIÓN Y CARGA INICIAL DE DATOS.

Esta actividad se lleva a cabo cuando es necesario la inicial de

datos o la actualización de datos al Data Mart.

1. Se solo una vez a los usuarios del Data Mart, que podrán realizar

algún tipo de consulta.

2. Solo tendrán acceso al Data Mart los usuarios que pertenezcan a la

Dirección de Escuela, jefes de departamento, decanos y jefe de

OGE.

148

3. La carga de datos se realiza después de finalizado el semestre

académico.

Estas consideraciones deben de ser tomadas en cuenta al realizar

la carga inicial de datos.

7.2.2. APROBACIÓN DE LA SOLUCIÓN TECNOLÓGICA

La aprobación de la solución tecnológica dependerá de la oficina

de Informática de la Universidad Nacional Santiago Antúnez de

Mayolo. Teniendo en cuenta ello el presente trabajo de investigación

será aprobado en base a la defensa del mismo ante un jurado designado.

CAPÍTULO VIII

RESULTADOS

Con la finalidad de cumplir con los objetivos propuestos, toda la hipótesis de un

trabajo de investigación debe ser válida y por ello la experimentación del trabajo de

investigación se realizó en la Facultad de Ciencias en las Escuelas profesionales de

Ingeniería de Sistemas e Informática, Estadística e Informática y Matemática.

Los resultados obtenidos del Post-Test, tanto del grupo experimental que está

representado por la escuela de Ingeniería de Sistemas e Informática y el grupo control

por la escuela de Estadística e Informática y la escuela de Matemática, para mostrar

los logros obtenidos en el grupo experimental, luego de aplicar la variable

independiente; así de esta manera validar la hipótesis formulada.

Luego de haber recolectado la información detallada sobre la aplicación del Data

Mart, a través de una escala de Estimación por parte del investigador en la Facultad de

ciencias de UNASAM, los datos se tabularon y se analizaron, obteniendo los

resultados mostrados en los siguientes cuadros.

150

Cuadro Nº 55. Distribución de Frecuencias por Nivel y mediadas de tendencia central del post-test del

grupo experimental y grupo control.

Nivel Intervalo Xi

Grupo Experimental Grupo Control

Absoluta 𝑓𝑖

Porcentual 𝑝𝑖%

Absoluta 𝑓𝑖


Deficiente [0-30> 15 0 0% 2 66,67%

Regular [31-61> 45 0 0% 1 33,33%

Bueno [62-92> 75 1 33,3% 0 0%

Muy Bueno

[93-123> 105 2 66,7% 0 0%

Total 3 100% 3 100%

Media X̅ 91 32

Moda MO 98 30

Mediana Me 98 30

Varianza S2 147 12

Desviación S 12,1 3,4

Fuente: Aplicación de la escala de estimación en los grupos experimental y control.

Gráfico Nº 01. Gráfico de barras de la frecuencia porcentual del post-test del grupo experimental y

control.

Fuente: Cuadro Nº 55. Distribución de Frecuencias por Nivel y mediadas de tendencia central del post-test

del grupo experimental y grupo control.

0,0% 0,0%

33,3%

66,7%66,67%

33,33%

0,00% 0,00%0%

10%

20%

30%

40%

50%

60%

70%

Deficiente Regular Bueno Muy bueno

Po

rcen

taje

Nivel


151

DESCRIPCIÓN

En el cuadro Nº 55 y Gráfico Nº 01, se observa que el grupo experimental está

representado por un porcentaje 66.7% de los tomadores de decisiones se encuentra en

un nivel muy bueno en cuanto a la toma de decisiones de la gestión académica después

de la aplicación del Data Mart en comparación al grupo control, la cual está ubicada

en un nivel deficiente con 66,7%, por otro lado, el 33,3% muestra un nivel regular.

Con una media ( X̅ ) de 32.00 puntos en el post-test del grupo Control lo que significa

que los tomadores de decisiones se encuentran en un nivel deficiente en cuanto a la

toma de decisiones de la gestión académica, mientras media ( X̅ ) de 91.00 puntos en

el post-test del grupo experimenta evidencia que los tomadores de decisiones se

encuentran en un nivel muy Bueno en cuanto a la toma de decisiones de la gestión

académica.

Gráfico Nº 02. Prueba de Hipótesis del grupo experimental.


del grupo experimental y grupo control.

La prueba t-student indica que 𝑡 = 4.29 > 𝑡(0.95,2) = 2.920 cae en la zona de

rechazo de la hipótesis nula, y su p-valor es altamente significativo (𝑝 = 0.000 <

0.05) razón por la cual se afirma que el Data Mart como una solución de inteligencia

4.29

𝑍𝑜𝑛𝑎 𝑑𝑒 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0

𝑍𝑜𝑛𝑎 𝑑𝑒 𝑛𝑜 𝑅𝑒𝑐ℎ𝑎𝑧𝑜 𝐻0

𝑡 = 4.29

𝑝 = 0.000

𝑔𝑙 = 2

2.920

152

de negocios influye en la toma de decisiones de la gestión académica, la cual es

mostrada en la Gráfico Nº 02.


grupo experimental y grupo control de la dimensión diseño

Nivel Intervalo Xi


Absoluta 𝑓𝑖


Absoluta 𝑓𝑖


Deficiente [0-17> 8,5 0 0,0% 1 33,33%

Regular [18-35> 26,5 0 0,0% 2 66,67%

Bueno [36-53> 44,5 1 33,3% 0 0,00%

Muy Bueno

[54-69> 61,5

2 66,7% 0 0,00%

Total 3 100% 3 100%

Media X̅ 53,0 18,3

Mediana Me 57,0 18,0

Varianza S2 61,0 6,3




control.


del grupo experimental y grupo control de la dimensión diseño.

0,0% 0,0%

33,3%

66,7%

33,33%

66,67%

0,00% 0,00%0%

10%

20%

30%

40%

50%

60%

70%


Po

rcen

taje

Nivel


153

DESCRIPCIÓN

En el cuadro N° 56 y gráfico Nº 03, se observa que el grupo experimental está

representado por un porcentaje 66.7% de los tomadores de decisiones, que se encuentra

en un nivel muy bueno en cuanto al diseño de las decisiones de la gestión académica

después de la aplicación del Data Mart en comparación al grupo control, la cual está

ubicada en un nivel regular con 66,7%, por otro lado, el 33,3% muestra un nivel

Deficiente. Con una media ( X̅ ) de 18.3 puntos en el post-test del grupo Control lo que

significa que los tomadores de decisiones se encuentran en un nivel deficiente en

cuanto al diseño de la toma de decisiones de la gestión académica, mientras media ( X̅

) de 53.00 puntos en el post-test del grupo experimenta evidencia que los tomadores

de decisiones se encuentran en un nivel muy Bueno en cuanto a la toma de decisiones

de la gestión académica.




de negocios influye en el diseño de las decisiones de la gestión académica.

Gráfico Nº 04. Prueba de Hipótesis del grupo experimental, dimensión Diseño.

Fuente: Cuadro Nº 56. Distribución de Frecuencias por Nivel y mediadas de tendencia central del post-test del

grupo experimental y grupo control de la dimensión diseño.

4.21



𝑡 = 4.21

𝑝 = 0.000

𝑔𝑙 = 2

2.920

154


grupo experimental y grupo control dimensión Elección.

Nivel Intervalo Xi


Absoluta 𝑓𝑖


Absoluta 𝑓𝑖


Deficiente [0-13> 6,5 0 0,0% 1 33,33%

Regular [14-27> 20,5 0 0,0% 2 66,67%

Bueno [28-41> 34,5 2 66,7% 0 0,00%

Muy Bueno

[42-54> 48 1 33,3% 0 0,00%

Total 3 100% 3 100%

Media X̅ 38 13,67

Mediana Me 40,0 14

Varianza S2 19,0 2,3




control dimensión Elección.


del grupo experimental y grupo control dimensión Elección.

0,0% 0,0%

66,7%

33,3%33,33%

66,67%

0,00% 0,00%0%

10%

20%

30%

40%

50%

60%

70%


Po

rcen

taje

Nivel


155

DESCRIPCIÓN

En el cuadro Nº 57 y gráfico Nº 05, se observa que el grupo experimental está

representado por un porcentaje 33.3% de los tomadores de decisiones se encuentra en

un nivel muy bueno en cuanto a la elección de las decisiones de la gestión académica

después de la aplicación del Data Mart en comparación al grupo control, la cual está

ubicada en un nivel regular con 66,7%, por otro lado, el 33,3% muestra un nivel

deficiente. Con una media ( X̅ ) de 13.00 puntos en el post-test del grupo Control lo

que significa que los tomadores de decisiones se encuentran en un nivel deficiente en

cuanto a la elección de las decisiones de la gestión académica, mientras media ( X̅ ) de

38.00 puntos en el post-test del grupo experimenta evidencia que los tomadores de

decisiones se encuentran en un nivel muy Bueno en cuanto a la elección de las

decisiones de la gestión académica.




de negocios influye en la elección de las decisiones de la gestión académica.

Gráfico Nº 06. Prueba de Hipótesis del grupo experimental, dimensión Elección.


del grupo experimental y grupo control dimensión Elección.

4.37



𝑡 = 4.37

𝑝 = 0.000

𝑔𝑙 = 2

2.920

CAPÍTULO IX

DISCUSIÓN DE RESULTADOS

Se presenta a continuación los resultados del estudio referido a la

aplicación de un Data Mart, como parte de una solución de inteligencia de

negocio, para mejorar el proceso de Toma de Decisiones en La Gestión

Académica de Facultad de Ciencias de la UNASAM. Los datos a discutir se han

ordenado de acuerdo a los objetivos del trabajo las mismas que se presenta a

continuación.

Al nivel de análisis aplicado de la hipótesis general “Con la

implementación de un Data Mart, como parte de una solución de inteligencia de

negocio, se mejora el proceso de Toma de Decisiones en la Gestión Académica

de Facultad la Ciencias de la UNASAM”. En el cuadro Nº 55, gráfico Nº 01 y

gráfico Nº 02 se puede observar que el 66.7% de los tomadores de decisiones

muestran un nivel muy bueno en cuanto a la toma de decisiones, por otro lado,

el 33.3% de los muestran un nivel de bueno en cuanto a la toma de decisiones.

La prueba de hipótesis p=0.000 lo que indica que se aprueba la hipótesis general,

157

por tal razón se afirma que con la implementación de un Data Mart, como parte

de una solución de inteligencia de negocio, se mejora significativamente el

proceso de Toma de Decisiones en la Gestión Académica de Facultad la Ciencias

de la UNASAM. Según Inmin(2005) Un Data Warehouse es una colección de

datos integrados, temáticos, no volátiles y variantes en el tiempo, organizados

para soportar necesidades empresariales orientadas a la toma de decisiones.

Mazón, Pardillo y Trujillo (2011) Los almacenes de datos posibilitan un visón

multidimensional de enormes cantidades de datos históricos provenientes de

fuentes operacionales, suministrando la información necesaria para el apoyo a

los procesos de toma de decisiones de una organización. Corroborados con los

estudios de Reyes Marroquín y Rosales Tejada (2007), sobre el desarrollo de

Data Mart de información académica de estudiantes de la escuela de ciencias y

sistemas de la Facultad de Ingeniería de la USAC, en la cual se concluyó en que

la escuela de ciencias y sistemas se obtiene grandes beneficios al utilizarse el

Data Mart académico, puesto que se podrá analizar el comportamiento de los

estudiantes de la escuela y por ende se podrá tomar mejores decisiones en cuanto

al uso de los recursos y el enfoque de la carrera de sistemas

En tal sentido con la implementación de un Data Mart, como parte de una

solución de inteligencia de negocio, se mejora significativamente el proceso de

Toma de Decisiones en la Gestión Académica de Facultad la Ciencias de la

UNASAM

A nivel de análisis aplicado a la hipótesis específica “La implementación

de un Data Mart, como parte de una solución de inteligencia de negocio influye

significativamente en el diseño de la toma de decisiones de la gestión

académica”. En el cuadro Nº 56, gráfico Nº 03 y el gráfico Nº 04 se puede

observar que el 66,7% de los tomadores de decisiones muestran un nivel muy

bueno en cuanto al diseño de las decisiones de la gestión académica, por otro

lado, el 33.3% de los tomadores de decisiones muestran un nivel de bueno. La

prueba de hipótesis p=0.000 lo que indica que se aprueba la hipótesis especifica

158

Nº 01, por tal razón se afirma que, con la implementación de un Data Mart, como

parte de una solución de inteligencia de negocio influye significativamente en el

diseño de la toma de decisiones de la gestión académica. Según Vercellis (2009),

Un Data Warehouse o Data Mart es un almacén de datos disponibles más

importante para el desarrollo de arquitecturas de inteligencia de negocios y

sistemas de soporte a la toma de decisiones. Simon (1960) menciona que el

diseño implica identificar y explorar varias soluciones para el problema para

poder tomar una decisión. Las mismas que fueron Corroborados con los estudios

de Zambrano Alarcón (2011), sobre el Análisis, diseño e implementación de un

Data Mart para el área de mantenimiento y logística de una empresa de transporte

público de pasajeros, en cual concluyo en las necesidades de información del

área de mantenimiento y logística de una empresa de transporte público fueron

identificadas satisfactoriamente debido a que se consideró los posibles

escenarios, actores y supuestos en toda empresa del mismo rubro. Esto

contribuyó a identificar requerimientos claros y precisos que fueron

documentados y utilizados para la construcción del modelo multidimensional.

En tal sentido La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio influye significativamente en el diseño de la

toma de decisiones de la gestión académica.

A nivel de análisis aplicado de la hipótesis específica Nº 02 “La


negocio influye significativamente en la elección de decisiones de la gestión

académica”. En el Cuadro Nº 57, gráfico Nº 05 y el gráfico Nº 06 se puede

observar que el 33.3% de los tomadores de decisiones muestran un nivel muy

bueno en cuanto a la elección de las decisiones de la gestión académica, por otro

lado, el 66,7% de los tomadores de decisiones muestran un nivel de bueno. La

prueba de hipótesis p=0.000 lo que indica que se aprueba la hipótesis especifica

Nº02, por tal razón por la cual se afirma que, con La implementación de un Data

Mart, como parte de una solución de inteligencia de negocio influye

159

significativamente en la elección de decisiones de la gestión académica. Guillén

Rodríguez (2012) define la toma de decisiones como un proceso mediante el cual

se realiza una elección entre las opciones o formas para resolver diferentes

situaciones de la vida en diferentes contextos. Simon (1960) menciona que la

elección consiste en elegir una de varias alternativas de solución para el

problema para poder tomar una decisión. Corroborados con los estudios de

Flores (2008) en su investigación titulada “Diseño, implantación y explotación

de Data Mart”, los resultados del estudio mostraron que El usuario del sistema

puede efectuar cualquier consulta de acuerdo a las variables y criterios de

consulta del Data Warehouse así como hacer uso de múltiples variables que

faciliten la proceso de la elección.

En tal sentido La implementación de un Data Mart, como parte de una

solución de inteligencia de negocio influye significativamente en la elección de


160

CONCLUSIONES

Luego del análisis de los resultados y discusión realizada sobre La


negocio para mejorar el proceso de Toma de Decisiones en La Gestión Académica de

Facultad de Ciencias en la UNASAM, se llegó a las siguientes conclusiones:

1. La implementación de un Data Mart, como parte de una solución de

inteligencia de negocio, se mejora significativamente el proceso de Toma de

Decisiones en la Gestión Académica de Facultad la Ciencias de la UNASAM.

Según los resultados el 66.7% de los tomadores de decisiones se encuentra en

el nivel muy bueno y el 33.3% de los tomadores de decisiones en el nivel

bueno. El p=0,000 siendo altamente significativo; por lo que queda demostrado

que el Data Mart, como parte de una solución de inteligencia de negocio, se

mejora significativamente el proceso de Toma de Decisiones en la Gestión

Académica de Facultad la Ciencias de la UNASAM (ver Cuadro Nº 55, Gráfico

Nº 01 y gráfico Nº 02).


inteligencia de negocio influye significativamente en el diseño de la toma de

decisiones de la gestión académica. Según los resultados el 66,7% de los

tomadores de decisiones muestran un nivel muy bueno y el 33.3% en el nivel

bueno. El p=0,000; por lo que queda demostrado que la influencia del Data

Mart sobre diseño de las decisiones de la gestión académica (ver Cuadro Nº 56,

Gráfico Nº 03 y gráfico Nº 04), razón por la cual se confirma la hipótesis

específica Nº 01.


inteligencia de negocio influye significativamente en la elección de decisiones

de la gestión académica. Según los resultados el 33.3% de los tomadores de

decisiones muestran un nivel muy bueno se encuentra en el nivel muy bueno y

161

el 66,7% de los tomadores de decisiones muestran un nivel de bueno. El

p=0,000; por lo que queda demostrado la influencia del Data Mart sobre la

elección de decisiones de la gestión académica (ver Cuadro Nº 57, Gráfico Nº

05 y Gráfico Nº 06), razón por la cual se confirma la hipótesis específica Nº 02.

162

RECOMENDACIONES

• A la Universidad Nacional Santiago Antúnez de Mayolo, impulsar el desarrollo

de soluciones de inteligencia de Negocios, Data Marts u otros, para mejorar el

seguimiento académico de los estudiantes u otros puntos relevantes que lo

requieran.

• A la Escuela de Ingeniería de Sistemas e Informática, impulsar el desarrollo e

implementación de Soluciones de Inteligencia de Negocio que contribuyan a

la educación de los estudiantes de la escuela.

• Al director de Escuela de Ingeniería de Sistemas e Informática de la

Universidad Nacional Santiago Antúnez de Mayolo, realizar convenios con

universidades públicas y privadas e instituciones superiores públicas y privadas

para que los estudiantes puedan realizar proyectos de innovación utilizando

Inteligencia de Negocios que aporten conocimiento a la sociedad.

• A los estudiantes de la carrera, indagar y aplicar las soluciones de Inteligencia

de Negocios como parte de su formación.

• A los futuros investigadores en campo de Inteligencia de Negocios, Se

recomienda el empleo de esta metodología DWEP para el desarrollo de Data

Marts o DataWarehouse, porque es una metodología robusta y muy útil que se

caracteriza por ser incremental e iterativo.

163

REFERENCIAS BIBLIOGRÁFICAS

Ander Egg, Ezequiel. 1986. Técnicas de investigación social. Buenos Aires: Humanitas.

Arias, F. 2011. El Proyecto de Investigación cientifica. Sexta. Venezuela: Ediciones El

Pasivo.

Don Hellriegel, y Jhon W. Slocum. 2004. Comportamiento organizacional. Mexico:

Thomson.

Fischman, David. 2002. El secreto de las siete semillas. Lima: UPC.

Flores Chacón, Erick Giovanny, Esteban Julio Medina Rafaile, y Eddy Jesús Montañez

Muñoz. 2008. Diseño, Implementación y explotación de un Data Mart. Tesis,

Huaraz: Universidad Nacional Santiago Antúnez de Mayolo.

Gonzáles, A. M. 2002. Aspectos éticos de la investigación. Barcelona: Iberoamericana de

Educación.

Guillén Rodríguez, Fiorelly Shirley. 2012. «Desarrollo de un Data Mart para mejorar la toma

de decisiones en el área de tesorería de la Municipalidad provincial de Cajamarca.»

Tesis, Universidad Privada del Norte, Cajamarca.

Hernández R., Fernández C. Baptista L. 2006. Metodología de la Investigación. Tercera

edición. México: Mc Graw Hill Editores.

—. 2003. Metodología de la Investigación. Tercera edición. México: Mc Graw Hill Editores.

Hernández Sampieri, Roberto, Carlos Fernández Collado, y María del Pilar Baptista Lucio.

2010. Metodologia de la Investigación. Quinta. México: Mc Graw Hill.

Inmon, H. W. 2005. Building the Data Warehouse. Cuarta Edición. Canada: Wiley

Publishing, Inc.

Juran, J. M. 1988. Manual de control de calidad. México: Ediciones Mc Graw Hill.

Kimball, Ralph, y Margy Ross. 2013. The Data WareHouse Toolkit. Third. Indianapolis,

Indiana: Willey.

164

Landeau, R-. 2007. Elaboración de trabajos de investigación. Venezuela: Editorial Alfa.

Luján Mora, Sergio , y Juan Trujillo. 2006. «Applying the UML and the Unified Process to

the design of Data Warehouses.» Journal of Computer Information Systems

(Department of Software and Computing Systems University of Alicante) 30-58.

Mazón, José Norberto, Jesús Pardillo, y Juan Carlos Trujillo. 2011. Diseño y Explotación de

Almacenes de Datos. Alicante: Editorial Club Universitario.

Pressman, Roger S. 2006. Ingeniería del Software. Un enfoque práctico. México: Mc Graw

Hill.

Reyes Marroquín, Mario Roberto, y Pablo Augusto Rosales Tejada. 2007. DESARROLLO

DE UN DATA MART DE INFORMACIÓN ACADÉMICA DE ESTUDIANTES DE

LA ESCUELA DE CIENCIAS Y SISTEMAS DE LA FACULTAD DE INGENIERÍA

DE LA USAC. Tesis, Universidad de San Carlos de Guatemala, Guatemala:

Universidad de San Carlos de Guatemala, 115.

Río, Luis Méndez del. 2006. Más allá del Business Intelligence: 16 experiencias de éxito.

Barcelona: Gestión 2000.

Rodríguez Moguel, Ernesto A. 2005. Metodología de la Investigación. México: Universidad

Júarez Autónoma de Tabasco.

Sánchez, H. y Reyes, C. 1987. Metodología y Diseños en la Investigación Científica. Lima:

S.C.

Sauter, Vicki Lynn. 2010. Decision Support Systens for Busines Intelligence. Segunda.

Canada: WILEY.

Simon, H. A. 1960. The New Science of Management Decision. New York: Harper & Row.

Sommerville, Ian. 2005. Ingeniería del Software. Septima. Madrid: Pearson Addison

Wesley.

Tansey, Stephen D. 2003. Business, Information Technology and Society. New York:

Routledge.

165

Ullman, Jeffrey D., y Jennifer Widom. 1999. Introducción a Los Sistemas de Bases de

Datos. Pearson Educación.

Valderrama, M. S. 2000. Pasos para elaborar proyectos y tesis de investigación científica.

Lima: Ediciones San Marcos.

—. 2005. Pasos para elaborar proyectos y tesis de investigación científica. Lima: Editorial

San Marcos.

Velasquez, F. A y Rey, C. N. 2007. Metodología de la investigación científica. Lima:

Editorial San Marcos.

Vercellis, Carlo. 2009. Business Intelligence Data Mining and Optimization for Decision

Making. Italy: Wiley.

Vivanco, Manuel. 2005. Muestreo Estadístico Diseño y Aplicaciones. Primera. Santiago de

Chile: Universitaria.

Westerman, Paul. 2001. Data Warehousing: Using the WaI-Mart Model. San Diego:

Academic Press.

Zambrano Alarcón, Jaime Alexander. 2011. Análisis, diseño e implementación de un Data

Mart para el área de Mantenimiento y Logística de una empresa de transporte

público de pasajeros. Tesis Pre-grado, Pontificia Universidad Católica del Perú,

Lima: Tesis PUCP.

Anexos

Anexo Nº 01 Resolución de Aprobación de Proyecto

Anexo Nº 02 Constancia de Aplicación de Proyecto

Anexo Nº03 Informe del Asesor

Anexo Nº 04 Matriz de consistencia

MATRIZ DE CONSISTENCIA

TÍTULO: “DATA MART COMO PARTE DE UNA SOLUCION DE INTELIGENCIA DE NEGOCIOS, PARA EL SOPORTE DE LA TOMA DE DECISIONES DE LA GESTIÓN ACADÉMICA

DE LA FACULTAD DE CIENCIAS EN LA UNASAM”

PROBLEMA OBJETIVOS HIPÓTESIS VARIABLES E INDICADORES METODOLOGÍA

¿En qué medida la implementación de un

Data Mart, como parte de una solución de

inteligencia de negocio, mejora el

proceso de toma de decisiones de la

gestión académica de la Facultad de

Ciencias de la UNASAM?

Implementar un Data Mart, como parte de

una solución de inteligencia de negocio,

para mejorar el proceso de Toma de

Decisiones en La Gestión Académica de

Facultad de Ciencias en la UNASAM.

Con la implementación de un Data Mart,

como parte de una solución de

inteligencia de negocio, se mejora el

proceso de Toma de Decisiones en la

Gestión Académica de Facultad la


Variable independiente

Data Mart

Indicadores: - Información integrada

- Estructura consistente

- Niveles de detalle

- Necesidades del Usuario

- Datos organizados

- Acceso fácil

- Entendimiento del usuario final

- Permite el análisis

- Toma de decisiones

- Base de datos estable

- Predice tendencias

- Se actualiza en un periodo de tiempo

Variable dependiente

Toma de Decisiones de la gestión

Académica

Indicadores: - Identifica los planes de estudio.

- Identifica a los docentes.

- Explora a los estudiantes.

- Selecciona los datos.

- Analiza los datos.

- Elige una alternativa.

Nivel y tipo

Tipo de Investigación Explicativa,

según la profundidad.

De acuerdo a la finalidad es Aplicada

Métodos

Método Experimental

Métodos específicos aplicados:

método inductivo, el método

deductivo, método sintético, método

analítico.

Diseño

El diseño es Cuasi Experimental.

G.E. x O1

G.C.1. O2

Técnicas e instrumentos de recolección

de datos

Técnica: Observación.

Instrumento de recolección de datos:

Escala de Estimación.

Problemas Específicos

- ¿De qué manera la implementación

de un Data Mart, como parte de una

solución de inteligencia de negocio

influye en el diseño de las


- ¿De qué manera la implementación

de un Data Mart, como parte de una

solución de inteligencia de negocio

influye en la elección de las


Objetivos Específicos

- Identificar y describir los

requerimientos de análisis de información para el

comportamiento académico de la

Facultad de Ciencias de la

UNASAM. - Diseñar el modelo dimensional que

permita el análisis y explotación de

la información identificada.

- Desarrollar la estructura y funcionalidad del Data Mart, como

parte de una solución de

Inteligencia de Negocio.

- Implementar el Data Mart, como parte de una solución de

Inteligencia de Negocio.

- Facilitar la toma de decisiones, en

base a la Información presentada por el Data Mart.

Hipótesis Específicos

- La implementación de un Data

Mart, como parte de una solución de

inteligencia de negocio influye

significativamente en el diseño de

las decisiones de la gestión

académica.

- La implementación de un Data

Mart, como parte de una solución de

inteligencia de negocio influye

significativamente en la elección de


Anexo Nº 05 Matriz de Operacionalización de Variables

Matriz de Operacionalización de Variables

Variables Definición Operacional Dimensiones Indicadores Ítems Instrumentos /

Niveles

Variable Independiente

Instrumento:

Escala de

Estimación.

Niveles:

Siempre, Casi

Siempre, A veces,

Nunca

Data Mart

La herramienta de

Soporte de decisiones

que ayudar a medir los

indicadores de la toma

de decisiones de la


Integrado

Información integrada

Estructura consistente

Niveles de detalle

Necesidades del Usuario

Temático

Datos organizados

Acceso fácil

Entendimiento del usuario final

No volátil

Permite el análisis

Toma de decisiones

Base de datos estable

Variante en el

tiempo

Predice tendencias

Se actualiza en un periodo de

tiempo

Variable Dependiente

Toma de Decisiones de la

gestión

Académica

Determina las

decisiones de la gestión

académica dentro de la

Facultad de Ciencias.

Diseño

Identifica los planes de estudio

Identifica la estructura del plan de estudios de una determinada carrera rápidamente

Explora los cursos que pertenecen a una determinada carrera eficazmente

Esboza las actualizaciones de los planes de estudio por carrera eficientemente

Examina en el tiempo la cantidad de horas

Localiza adecuadamente y rápidamente la cantidad de cursos electivos por carrera en una determinada Facultad

Reconoce el creditaje por curso

Identifica la cantidad de cursos por ciclo académico de una determinada carrera

Identifica la cantidad de horas teóricas versus las horas prácticas de un plan de estudios

Localiza fácilmente los planes de estudio de una determinada carrera durante un tiempo determinado.

Identifica a los docentes

Examina la cantidad de docentes en cada carrera rápidamente

Reconoce a los docentes según sus grados académicos

Identifica a los 10 mejores docentes según la encuesta docente durante los últimos semestres

Identifica los cursos dictados por un docente durante los últimos semestres

Identifica rápidamente el promedio de cada docente según la encuesta de los estudiantes durante los últimos semestres

Relaciona eficientemente la calificación obtenida con el grado académico del docente durante los últimos periodos académicos

Identifica la cantidad de docentes que pertenecen a un departamento académico

Esboza el promedio de los calificativos de los docentes durante los periodos académicos por departamento académico

Matriz de Operacionalización de Variables

Variables Definición Operacional Dimensiones Indicadores Ítems Instrumentos /

Niveles

Toma de

Decisiones de

la gestión

Académica

Determina las

decisiones de la gestión

académica dentro de la

Facultad de Ciencias.

Diseño Explora a los estudiantes

Identifica la cantidad de estudiantes en cada carrera rápidamente

Instrumento:

Escala de

Estimación.

Niveles:

Siempre, Casi

Siempre, A veces,

Nunca

Inspecciona el porcentaje de estudiantes aprobados en cada carrera eficazmente

Localiza el número de estudiantes aprobados en un determinado curso.

Recopila información del porcentaje aprobados de un determinado curso respecto a anteriores

periodos académicos.

Inspecciona la cantidad de estudiantes matriculados de una determinada carrera con respecto a

otras carreras

Identifica la fuente de información de los datos de los estudiantes rápidamente

Elección

Selecciona los datos

Identifica los datos de los planes de estudio según orden establecido en un tiempo mínimo.

Examina los datos organizados de los estudiantes rápidamente

Compara los datos los docentes eficazmente

Selecciona correctamente y eficientemente a los estudiantes del tercio superior

Selecciona rápidamente al estudiante con mayor promedio ponderado

Elige adecuadamente la apertura de cursos a programarse al inicio del semestre

Analiza los datos

Compara los datos de los alumnos matriculados con respecto a otros semestres en una determinada

escuela rápidamente.

Identifica los porcentajes de los alumnos desaprobados en un determinado semestre.

Examina el número de estudiantes matriculados en los 10 últimos semestres rápidamente.

Predice tendencias de los estudiantes utilizando los datos del rendimiento académico rápidamente

Realiza tablas dinámicas para el análisis del rendimiento de estudiantes, docentes rápidamente

Realiza operaciones matemáticas para el cálculo de indicadores que las consulta requieran

rápidamente.

Elige una alternativa

Elabora reportes de los estudiantes matriculados con los datos que posee rápidamente.

Identifica datos relevantes del rendimiento docente rápidamente.

Identifica datos relevantes del rendimiento académico rápidamente.

Selecciona los datos de los docentes utilizando criterios de selección rápidamente.

Predice la tendencia de los docentes en el tiempo utilizando los datos del rendimiento de los

docentes eficazmente

Elabora reportes del rendimiento de los docentes utilizando con los datos que posee rápidamente.

Anexo Nº06 Instrumento

Escala de Estimación de la Toma de Decisiones de la gestión Académica de la Facultad de Ciencias

Universidad Nacional Santiago Antúnez de Mayolo

ESCUELA

APELLIDOS Y NOMBRES CARGO FECHA

Durante la aplicación de las consultas, se registró lo siguiente:

N.º Ítems

Valoración Tiempo

Siempre Casi

Siempre

A

veces Nunca

1 Identifica la estructura del plan de estudios de una determinada carrera rápidamente

2 Explora los cursos que pertenecen a una determinada carrera eficazmente

3 Esboza las actualizaciones de los planes de estudio por carrera eficientemente

4 Examina en el tiempo la cantidad de horas

5 Localiza adecuadamente y rápidamente la cantidad de cursos electivos por carrera en una determinada

Facultad

6 Reconoce el creditaje por curso.

7 Identifica la cantidad de cursos por ciclo académico de una determinada carrera

8 Identifica la cantidad de horas teóricas versus las horas prácticas de un plan de estudios

9 Localiza fácilmente los planes de estudio de una determinada carrera durante un tiempo determinado.

10 Examina la cantidad de docentes en cada carrera rápidamente

11 Reconoce a los docentes según sus grados académicos

12 Identifica a los 10 mejores docentes según la encuesta docente durante los últimos semestres

13 Identifica los cursos dictados por un docente durante los últimos semestres

14 Identifica rápidamente el promedio de cada docente según la encuesta de los estudiantes durante los

últimos semestres

15 Relaciona eficientemente la calificación obtenida con el grado académico del docente durante los

últimos periodos académicos

16 Identifica la cantidad de docentes que pertenecen a un departamento académico

17 Esboza el promedio de los calificativos de los docentes durante los periodos académicos por

departamento académico

18 Identifica la cantidad de estudiantes en cada carrera rápidamente

19 Inspecciona el porcentaje de estudiantes aprobados en cada carrera eficazmente

20 Localiza el número de estudiantes aprobados en un determinado curso.

21 Recopila información del porcentaje aprobados de un determinado curso respecto a anteriores

periodos académicos.

22 Inspecciona la cantidad de estudiantes matriculados de una determinada carrera con respecto a otras

carreras

23 Identifica la fuente de información de los datos de los estudiantes rápidamente

24 Identifica los datos de los planes de estudio según orden establecido en un tiempo mínimo.

25 Examina los datos organizados de los estudiantes rápidamente

26 Compara los datos los docentes eficazmente

27 Selecciona correctamente y eficientemente a los estudiantes del tercio superior

28 Selecciona rápidamente al estudiante con mayor promedio ponderado

29 Elige adecuadamente la apertura de cursos a programarse al inicio del semestre

30 Compara los datos de los alumnos matriculados con respecto a otros semestres en una determinada

escuela rápidamente.

31 Identifica los porcentajes de los alumnos desaprobados en un determinado semestre.

32 Examina el número de estudiantes matriculados en los 10 últimos semestres rápidamente.

33 Predice tendencias de los estudiantes utilizando los datos del rendimiento académico rápidamente

34 Realiza tablas dinámicas para el análisis del rendimiento de estudiantes, docentes rápidamente

35 Realiza operaciones matemáticas para el cálculo de indicadores que las consulta requieran

rápidamente.

36 Elabora reportes de los estudiantes matriculados con los datos que posee rápidamente.

37 Identifica datos relevantes del rendimiento docente rápidamente.

38 Identifica datos relevantes del rendimiento académico rápidamente.

39 Selecciona los datos de los docentes utilizando criterios de selección rápidamente.

40 Predice la tendencia de los docentes en el tiempo utilizando los datos del rendimiento de los docentes

eficazmente

41 Elabora reportes del rendimiento de los docentes utilizando con los datos que posee rápidamente.

Anexo Nº07 Diagrama de Casos de Uso

Diagrama de Casos de Uso

1. Paquete de Análisis del comportamiento Académico estudiante

Este paquete cubre las necesidades de información relacionadas a los mantenimientos

realizados en los autobuses. En la figura Nº 01 se muestra los casos de uso que agrupan las

necesidades de información relacionado a los mantenimientos.

Figura Nº 01. Paquete de Análisis del comportamiento.


A continuación, la especificación de cada caso de uso del paquete de análisis de

comportamiento académico estudiante:

Cuadro Nº 01. Caso de Uso - Análisis del comportamiento Académico estudiante.

Caso de Uso Análisis del comportamiento Académico estudiante.

Requerimiento que implementa El sistema debe responder a las cuestiones del comportamiento

académico de los estudiantes

Frecuencia de Actualización Semestral.

Momento de Actualización Después de finalizado el semestre Académico.

Dimensiones de análisis de

información

• Estudiante.

• Docente.

• Modalidad de Aprobación.

• Semestre.

• Currícula.

Fórmulas de Cálculo El actor puede seleccionar otra dimensión en cualquier

momento.

Usuarios permitidos Decano, jefes de departamento, Directores de Escuela, Secretaria

de Escuela.

Cantidad / Historia de datos Toda la historia.

Observaciones Incluir subtotales agrupados por Semestre u otra dimensión


Tomador de decisiones

Análisis del Comportamiento Estudiante


Análisis de Comportamiento histórico del Estudiante

Análisis de Comportamiento histórico del Estudiante

Cuadro Nº 02. Caso de Uso - Análisis del comportamiento Académico histórico del estudiante.

Caso de Uso Análisis del comportamiento Académico histórico del

estudiante.

Requerimiento que implementa El sistema debe responder a las cuestiones del comportamiento

académico de los estudiantes




información

• Estudiante.

• Docente.

• Modalidad de Aprobación.

• Semestre.

• Currícula.


momento.

Usuarios permitidos Decano, jefes de departamento y Directores de Escuela.




Se presentan las especificaciones de los casos de uso según la metodología DWEP.




ID CU01

Actores Decano, jefes de departamento, Directores de Escuela, Secretaria

de Escuela.

Precondiciones Haber finalizado un semestre.

Flujo de eventos

1. El actor selecciona el comportamiento académico de los

estudiantes.

2. El sistema muestra las dimensiones posibles a analizar.

3. El actor selecciona alguna dimensión.

4. El sistema muestra comportamiento académico de los

estudiantes agrupados por la dimensión seleccionada.

Postcondiciones El actor puede seleccionar otra dimensión en cualquier

momento.


Figura Nº 02. Análisis del comportamiento Estudiante.


Caso de Uso Análisis del comportamiento Académico histórico del estudiante.



ID CU02

Actores Decano, jefes de departamento, Directores de Escuela


Flujo de eventos

1. El actor selecciona el comportamiento académico histórico

de los estudiantes.



4. El sistema muestra comportamiento académico histórico de

los estudiantes agrupados por la dimensión seleccionada.


momento.





Mostrar Comportamiento Estudiante por EstudianteMostrar Comportamiento Estudiante por Estudiante

Mostrar Comportamiento Estudiante por Curricula


Mostrar Comportamiento Estudiante por Modalidad de

Aprobación


Aprobación

Mostrar Comportamiento Estudiante por Docente


Mostrar Comportamiento Estudiante por Semestre


Mostrar Comportamiento Estudiante por Curso, Ciclo,

Condición


Condición

<<extender>> <<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

Exportar datos Comportamiento Estudiante


<<extender>>



Mostrar Comportamiento Estudiante por Estudiante



Aprobación




Condición


<<extender>>

<<extender>>

<<extender>>

<<extender>>


<<extender>>

Figura Nº 03. Análisis del comportamiento Estudiante.


2. Paquete de Análisis del comportamiento Académico Docente

Este paquete cubre las necesidades de información relacionadas al análisis del

comportamiento académico docente.

Figura Nº 04. Análisis del comportamiento Académico Docente.



Análisis del Comportamiento académico histórico

Estudiante


Estudiante

Mostrar Comportamiento Estudiante por EstudianteMostrar Comportamiento Estudiante por Estudiante




Aprobación


Aprobación






Condición


Condición


<<extender>>

<<extender>>

<<extender>>

<<extender>>



<<extender>>



Estudiante

Mostrar Comportamiento Estudiante por Estudiante



Aprobación




Condición


<<extender>>

<<extender>>

<<extender>>

<<extender>>


<<extender>>


Análisis de Comportamiento Docente


Análisis de Comportamiento histórico del Docente

Análisis de Comportamiento histórico del Docente

A continuación, la especificación de cada caso de uso del paquete de análisis de

comportamiento académico Docente:

Cuadro Nº 05. Caso de Uso - Análisis del comportamiento Académico Docente.

Caso de Uso Análisis del comportamiento Académico Docente.

Requerimiento que implementa

El sistema debe responder a las cuestiones de los tomadores de

decisiones acerca del comportamiento académico de los

docentes.




información

• Docente.

• Semestre.

• Currícula.


momento.

Usuarios permitidos Decano, jefes de departamento, Directores de Escuela y

Secretaria de Escuela.




Cuadro Nº 06. Caso de Uso - Análisis del comportamiento Académico histórico del Docente.

Caso de Uso Análisis del comportamiento Académico histórico del Docente.

Requerimiento que implementa

El sistema debe responder a las cuestiones de los tomadores de decisiones acerca del comportamiento académico de los

docentes.




información

• Docente.

• Semestre.

• Currícula.


momento.

Usuarios permitidos Decano, jefes de departamento y Directores de Escuela.




Se presentan las especificaciones de los casos de uso según la metodología DWEP.


Cuadro Nº 07. Caso de Uso - Análisis del comportamiento Académico Docente.


ID CU03

Actores Decano, jefes de departamento, Directores de Escuela, Secretaria

de Escuela.


Flujo de eventos

1. El actor selecciona el comportamiento Docente.



4. El sistema muestra el comportamiento docente agrupados

por la dimensión seleccionada.


momento.







Mostrar Comportamiento Docente por Docente


Mostrar Comportamiento Docente por Semestre


Mostrar Comportamiento Docente por Curricula


Mostrar Comportamiento Docente por Encuesta


Mostrar Comportamiento Docente por Pregunta


Mostrar Comportamiento Docente por Facultad


Mostrar Comportamiento Docente por Departamento

Académico


Académico

Mostrar Comportamiento Docente por Curso


Exporta datos del Comportamiento Docente


<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>><<extender>>










Académico



<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>



Cuadro Nº 07. Caso de Uso - Análisis del comportamiento Académico Histórico Docente.

Caso de Uso Análisis del comportamiento Académico Histórico

Docente.

ID CU04

Actores Decano, jefes de departamento, Directores de Escuela.


Flujo de eventos

1. El actor selecciona el comportamiento Docente.

2. El sistema muestra las dimensiones posibles a

analizar. 3. El actor selecciona alguna dimensión.

4. El sistema muestra el comportamiento docente

histórico agrupados por la dimensión seleccionada.


momento.





Análisis de Comportamiento Histórico Docente















Académico


Académico





<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>











Académico



<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>

<<extender>>


Anexo Nº8 Esquema Conceptual y Lógico de la Fuente de Datos

ESQUEMA CONCEPTUAL Y LÓGICO DE LA FUENTE DE DATOS

Según la metodología DWEP para especificar la información fuente del Data

Mart es necesario realizar el Esquema Conceptual Datos Fuente (Source Conceptual

Schema), el Esquema Lógico de Datos Fuente (Source Logical Schema), y el esquema

físico de la fuente de Datos para lograr detallar la estructura de la información que

sirvió como fuente al modelo dimensional del Data Mart de la Facultad de Ciencias.

1. ESQUEMA CONCEPTUAL DE LOS DATOS FUENTE

El esquema conceptual de los datos Fuente es mostrado en la Ilustración

Nº 01, la cual está acorde a la metodología DWEP.

Ilustración Nº 01. Esquema Conceptual de los datos Fuente.


AlumnoTrabajador

CursoProgramadoGrupo

FichaMatricula Sede

CursoProgramado

Cursos


Ciclo Curricula

Rendimiento

Escuela

Respuesta

Encueta Pregunta

Semestre

TipoResolucionResolucion

TipoAprobado

Facultad Dedicacion Categoria

Condicion

Grado

2. ESQUEMA LÓGICO DE LOS DATOS FUENTE

El esquema lógico de los datos Fuente es mostrado en la Ilustración Nº

02, la cual está acorde a la metodología DWEP.



3. ESQUEMA FÍSICO DE LA FUENTE DE DATOS

El esquema lógico de los datos Fuente es mostrado en la Ilustración Nº

3, la cual está acorde a la metodología DWEP.

Cursos

Curricula

Escuela

Alumno

Rendimiento

0..n

Ciclo

Resolución

Semestre

Sede

Trabajador

TipoResolución


TipoAprobadoCursoProgramadoGrupo

CursoProgramado

FichaMatricula

1

0..n1

1

0..n

1

0..n

1

0..n

10..n

0..n

1

0..n

1

0..n

1

0..n1

0..n

1

0..n

1

1

0..n

0..n

1

1

0..n

1

0..n

1

0..n1

0..n

1

0..n

1

0..n

10..n

0..n

0..n

1

EncuestaPreguntaRespuesta

Encuesta

Pregunta

1

0..n 10..n

1

0..n

1

0..n

4. DICCIONARIO DE ESQUEMA LÓGICO DE DATOS FUENTE

A continuación, se especificará cada clase presentada en el esquema

lógico de datos fuente.

CLASE Alumno

DESCRIPCIÓN Clase que representa los alumnos

Atributos Alumno Código de alumno

Password Contraseña de alumno

AlumnoCarne Numero de carnet de alumno

Sede Código de la sede

ApellidoPaterno Apellido paterno del alumno

ApellidoMaterno Apellido materno del alumno

Nombre Nombre del alumno

Especialidad Código de la especialidad

NombreCompleto Nombre completo del alumno

Escuela Código de la escuela

Curricula Código de la currícula

TipoDocumento Código de documento

Dni Número de DNI

Varon Sexo del alumno

FechaNacimiento Fecha de nacimiento

FechaEgreso Fecha de egreso

Direccion Dirección del alumno

Telefono Número de teléfono

TelefonoEmergencia Teléfono de Emergencia

ColegioProcedencia Código del Colegio de Procedencia

Universidad Código de la Universidad

Celular Numero de Celular

Email Dirección de correo electrónico

ModalidadIngreso Código de modalidad de Ingreso

PuntajeIngreso Puntaje de ingreso

OME Numero de orden de méritos en la Escuela

OMG Numero de orden de méritos general

Trabajador Código del trabajador

PaginaWeb Página web del alumno

Condicion Condición del alumno

CreditosAcumulados Número de créditos acumulados

Observaciones Observaciones

Foto Foto

Activo Activo

pago Pago

CLASE Ficha_Matricula

DESCRIPCIÓN Clase que representa la ficha de Matricula

Atributos

FichaMatricula Código de ficha de matricula

Alumno Código de alumno

Semestre Código de Semestre

FechaMatricula Fecha de matrícula

TipoMatricula Tipo de matricula

CLASE Trabajador

DESCRIPCIÓN Clase que representa al Trabajador

Atributos

Trabajador Código de trabajador.

ApellidoPaterno Apellido paterno del trabajador.

ApellidoMaterno Apellido materno del trabajador.

Nombre Nombre del trabajador.

NombreCompleto Nombre completo del trabajador.

DepartamentoAcademico Código de departamento académico.

Telefono Número de teléfono.

TelefonoEmergencia Número de teléfono de emergencia.

Grado Grado académico del trabajador.

Celular Numero de celular.

Direccion Dirección.

PaginaWeb Dirección de página web del trabajador.

Email Dirección del correo electrónico.

FechaIngreso Fecha de Ingreso.

FechaEgreso Fecha de Egreso.

FechaNacimiento Fecha de Nacimiento.

Observaciones Observaciones.

Profesion Profesión del trabajador.

Condicion Código de Condición.

Categoria Código de Categoría.

Dedicacion Código de Dedicación.

CargoAdministrativo Cargo Administrativo

Dni Número de DNI.

Foto Foto

Activo Activo

password Contraseña del trabajador.

PASSMD5 Contraseña encriptado

CLASE Sede


Atributos

Sede Codigo de sede.

Descripcion Nombre de la sede.

Activo Estado de la sede.

CLASE Curso

DESCRIPCIÓN Clase que representa el curso.

Atributos

Escuela Código de Escuela.

Curricula Código de curricula.

Curso Código de curso

Nombre Nombre de curso.

NumeroCreditos Número de créditos del curso

Mascara Mascara del curso.

Ciclo Código del ciclo.

DepartamentoAcademico Código del departamento académico.

TipoCurso Código de tipo de Curso.

CreditosAprobados Número de créditos aprobados.

HorasTeoria Número de Horas Teóricas.

HorasPractica Número de Horas prácticas.

HorasLaboratorio Número de Horas de laboratorio.

Horario Código de horario.

DocentePrincipal Código de Docente principal.

DocenteAuxiliar Código de Docente auxiliar.

Tipo Código de Tipo de curso.

Sumilla Sumilla de curso.

CLASE CursoProgramado

DESCRIPCIÓN Clase que representa los cursos programados en un

semestre.

Atributos

Sede Código de Sede.




Semestre Código de Semestre.

Seccion Sección

CuentaCarga Cuenta Carga

Capacidad Capacidad

Trabajador Código de trabajador

TrabajadorTeoria Código de trabajador de encargado de la teoría.

CursoProgramado Código del Curso Programado

Silabo Silabo

Matriculado Número de Matriculados

Nombredocente Nombre docente

tipo tipo

CLASE CursoProgramadoGrupo

DESCRIPCIÓN Clase que representa los cursos programados con sus

respectivos grupos en un semestre.

Atributos

Sede Código de Sede.




Semestre Código de Semestre.

Seccion Sección

Grupo Grupo

CuentaCarga Cuenta Carga

Capacidad Capacidad

Trabajador Código de trabajador

CursoProgramadoGrupo Código de Curso Programado Grupo

CLASE Ciclo

DESCRIPCIÓN Clase que representa el ciclo

Atributos

Ciclo Código de ciclo.

Descripcion Nombre de ciclo.

Numero Numero de ciclo.

Activo Estado de ciclo.

Valor Valor de ciclo.

CLASE DepartamentoAcademico

DESCRIPCIÓN Clase que representa el departamento académico.

Atributos

DepartamentoAcademico Código de departamento académico.

Descripcion Nombre de departamento académico.

Facultad Código de Facultad.

Escuela Código de escuela.

Activo Estado del departamento académico.

CLASE Escuela

DESCRIPCIÓN Clase que representa la Escuela

Atributos


Descripcion Descripción de la escuela.

Facultad Código Facultad.

Abreviatura Abreviatura de la escuela.

FechaCreacion Fecha Creación

FechaFuncionamiento Fecha funcionamiento

DispositivoFuncionamiento Dispositivo funcionamiento

DuracionAnios Duración en años.

DuracionSemestres Duración de semestres.

Creditos Créditos.

NivelGrado Nivel de grado.

NombreGrado Nombre de grado.

NombreTituloVaron Nombre del título en masculino.

NombreTituloDama Nombre del título en femenino.

ConsiderarGrados Considerar Grados

Activo Estado de escuela.

CLASE Curricula

DESCRIPCIÓN Clase que representa la curricula.

Atributos



Descripcion Descripción de la curricula.

CreditosMinimosObligatorios Numero de créditos mínimos obligatorios.

CreditosMinimosElectivos Numero de créditos mínimos electivos.

SemestreInicio Código de semestre de inicio.

SemestreFin Código de semestre de fin.

Ciclo Código de Ciclo

Vigente Vigente

Activo Estado de la curricula.

CLASE Rendimiento

DESCRIPCIÓN Clase que representa el rendimiento académico de los

alumnos.

Atributos

Sede Código de sede.



Curso Código de curso.

Semestre Código de semestre.

Seccion Sección.

Alumno Código de alumno.

TipoAprobado Código de tipo aprobado.

Rendimiento Código de rendimiento.

Grupo Grupo.

Trabajador Código de trabajador.

Promedio Promedio.

PromedioIngresado Promedio ingresado

Digitado Digitado.

Inconsistencia Errores.

Corregido Corregido

Aplazado Nota de aplazados.

EsAplazado Es aplazado.

PromedioAntes Promedio anterior.

Inhabilitado Inhabilitado

TipoEquivalencia Tipo de equivalencia

Escuela1 Código de escuela primero.

Curricula1 Código de curricula primero.

Curso1 Código de curso primero.

Escuela2 Código de escuela segundo.

Curricula2 Código de curricula segundo.

Curso2 Código de curso segundo.

Resolucion Código de resolución.

TipoResolucion Código de Tipo de Resolución.

FichaMatricula Código de Ficha de Matricula.

Vez Número de veces que el alumno lleva el mismo curso.

FechaRegistro Fecha de registro.

EstacionRegistro Estación de registro.

UsuarioRegistro Código de trabajador que registro.

Observaciones Observaciones.

Encuesta Código de encuesta.

EstacionIngreso Estación de Ingreso

UsuarioIngreso Código de trabajador que registro el ingreso

FechaIngreso Fecha de ingreso

EP EP

EF EF

ES ES

CLASE TipoAprobado

DESCRIPCIÓN Clase que representa el tipo de aprobación.

Atributos

TipoAprobado Código de tipo de aprobado

Descripcion Descripción del tipo de aprobado.

Activo Estado de tipo de aprobación.

CLASE TipoResolucion

DESCRIPCIÓN Clase que representa el tipo de resolución.

Atributos

TipoResolucion Código de tipo de resolución.

Descripcion Descripción

CLASE Resolucion

DESCRIPCIÓN Clase que representa la resolución.

Atributos

Resolucion Código de resolución.

TipoResolucion Tipo Resolución

ResolucionInterna Resolución Interna

TipoGrado Código de tipo de grado.



Cargo Cargo

ApellidosAutoridad Apellidos Autoridad.

NombresAutoridad Nombres Autoridad.

Fecha Fecha.

FechaActo Fecha Acto.

FechaExpedicion Fecha Expedición.

FechaConsejo Fecha Consejo.

FechaResolucion Fecha Resolución.

Firmante1 Código del trabajador que firmo.




Observacion Observación

Activo Estado de la resolución.

Usuario Código de trabajador que registro la resolución.

Estacion Estación

FechaRegistro Fecha Registro.

CLASE Semestre


Atributos


Descripcion Nombre de semestre.

Activo Estado de semestre.

CLASE Respuesta

DESCRIPCIÓN Clase que representa la respuesta de las encuestas.

Atributos

Sede Código de sede.



Curso Código de curso.


Seccion Sección.


Encuesta Código de Encuesta.

Pregunta Codigo de pregunta.

Valoracion Valoración.

CLASE EncuestaPregunta

DESCRIPCIÓN Clase que representa la Encuesta y preguntas.

Atributos

Encuesta Código de la encuesta.

Pregunta Código de la pregunta.

CLASE Encuesta

DESCRIPCIÓN Clase que representa la Encuesta.

Atributos

Encuesta Código de la encuesta.

Descripcion Descripción de la Encuesta.

Semestre Semestre.

Activo Estado de la Encuesta.

CLASE Pregunta

DESCRIPCIÓN Clase que representa la Pregunta.

Atributos

Pregunta Código de la pregunta.

Descripcion Descripción de la pregunta

Observacion Observación.

Activo Estado de la pregunta.

Anexo Nº9 Esquema Conceptual del Data Mart

ESQUEMA CONCEPTUAL DEL DATA MART

El esquema conceptual de Data Mart se desarrolló utilizando la metodología

DWEP, la cual toma como base la notación UML para representar el diseño conceptual

del modelo multidimensional. El esquema conceptual de Data Mart establece el

proceso de diseño en tres niveles, la cual es ilustrada en la Ilustración Nº1 y detallada

línea abajo.

Ilustración Nº 1. Los tres niveles de un modelo multidimensional representados mediante paquetes de UML

Esquema

Estrella 2

Esquema

Estrella 1 Dimensión 1 Dimensión 2

Factor 1

Dimensión 2

Dimensión 2

Nivel 1

Dimensión 2

Nivel 3

Dimensión 2

Nivel 2

Nivel 1 Nivel 2 Nivel 3

Fuente: Sergio Luján

o Nivel 1: Definición del modelo. Un paquete representa un esquema estrella de un

modelo multidimensional.

o Nivel 2: Definición de un esquema estrella. Un paquete representa un hecho.

o Nivel 3: Definición de un hecho o dimensión. Se compone de un conjunto de clases

que representan los niveles jerárquicos en un paquete de dimensión o el esquema

estrella completo en el caso de un paquete hecho.

La metodología DWEP propone varios estereotipos para el esquema

conceptual, de las cuales se detallan en el Cuadro Nº Nº1- Conceptos

multidimensionales y su representación en UML.

Cuadro Nº 1: Conceptos multidimensionales y su representación en UML

Concepto MD

(Estereotipo)

Descripción Icono

StarPackage

Paquetes de este estereotipo representan esquemas

estrellas, compuestos de hechos y dimensiones; se

emplea en el nivel 1

FactPackage

Paquetes de este estereotipo representan hechos, compuestos de medidas y relacionados con las

dimensions; se emplea en el nivel 2

DimensionPackage

Paquetes de este estereotipo representan dimensiones,

compuestas de jerarquías; se emplea en el nivel 2

Fact

Clases de este estereotipo representan hechos,

compuestos de medidas; se emplea en el nivel 3

Dimension

Clases de este estereotipo representan dimensiones,

compuestas de jerarquías; se emplea en el nivel 3

Base

Clases de este estereotipo representan niveles de

jerarquía en una dimensión; se emplea en el nivel 3

Fuente: Sergio Luján

1. ESQUEMA CONCEPTUAL DEL DATA MART - NIVEL 1

En este nivel se muestra la relación entre los esquemas estrella que

conforman la solución.

Existen dos esquemas estrella en la solución, mostrada en la Ilustración

Nº 2. El primer esquema es el de Comportamiento Académico Estudiante el cual

presenta datos ideales para el análisis a detalle del rendimiento académico de

todos los estudiantes. El segundo esquema es de comportamiento Docente, la

cual integra todos los datos necesarios para el análisis del rendimiento de los

docentes.

Ilustración Nº 2. Esquema conceptual del Data Mart-Nivel 1



En este nivel se desarrolla el detalle de cada esquema presentado en el

nivel 1. Se presenta las dimensiones con que se relaciona cada tabla de hecho.

A. ESQUEMA COMPORTAMIENTO ACADÉMICO ESTUDIANTE

El esquema de Comportamiento Académico Alumno tiene como

tabla central a la tabla de hechos “Comportamiento Académico Alumno”,

denotado por “ComAcadEstudiante”. La cual contiene la información del

rendimiento académico de los alumnos de la Facultad de ciencias a detalle.

ComportamientoAcademico

Alumno

ComportamientoAcademico

Docente

Figura Nº 03- Esquema conceptual del Comportamiento Académico del estudiante

HechoComportamiento Académico

Estudiante

Dimensión

Semestre

Dimensión

Alumno

Dimensión

Curricula

Dimensión

ModalidadAprobación

Dimensión

Docente


B. ESQUEMA COMPORTAMIENTO DOCENTE

El esquema de comportamiento Docente tiene como tabla principal

a la tabla de hechos Comportamiento Docente, la cual contiene la

información acerca de los cursos que dicta un docente y la valoración que

los estudiantes le dan a los docentes.

Figura Nº 04- Esquema conceptual del Comportamiento Docente

HechoComportamiento Docente

Dimensión

Curricula

Dimensión

SemestreDimensión

Docente



En este nivel se desarrolla el detalle de cada dimensión presentado en el

nivel anterior para poder definir la información que contiene y sobre todo la

jerarquía en la información contenida por cada dimensión. La especificación de

cada dimensión a nivel lógico podrá observarse en el entregable de Esquema

Lógico de Data Mart.

A. DIMENSION ESTUDIANTE

Figura Nº 05- Esquema conceptual de la Dimensión Estudiante

Alumno

Sede Escuela

Facultad

1

1

1

1..*

1

1..*

1

1..*

+child

+parent

+parent

+parent

+child

+child

Estudiante


B. DIMENSION SEMESTRE


Semestre

Semestre

1

1


C. DIMENSION CURRICULA


Facultad

Escuela

Curso

Curricula

1

1

1

1..*

Curricula

1..* 1

1..*

1

+child

+child

+child

+parent

+parent

+parent

1..*

+child1

+parent


D. DIMENSION MODALIDAD DE APROBACION


Curso


1

1


E. DIMENSION DOCENTE



Trabajador

Docente

1

1

1

1

1..*

Condicion Grado

1..* 1


1..*1..*

1

1..*

+child

+child

+child

+child

+child+parent

1 +parent

+parent

+parent

+parent


4. ANÁLISIS DIMENSIONAL

4.1. ANÁLISIS DE TEMAS

A continuación, se presentan los temas que abarca el Data Mart de

la Facultad de ciencias.

4.1.1. COMPORTAMIENTO ACADÉMICO ESTUDIANTE

Se debe analizar los registros del rendimiento académico

(promedios finales) de los estudiantes, que se generan al finalizar

un semestre académico, para lograr cumplir los objetivos de

conocer el detalle del rendimiento académico de estudiantes de

cada una de las Escuelas y Facultades de Universidad Santiago

Antunez de Mayolo.

El resultado se mide por:

- Semestre académico.

- Ítem que puede ser un Alumno, Curricula, Escuela,Facultad.

- Tipo de Aprobación (Convalidaciones por equivalencias,

Traslado interno, Matricula, Examen de suficiencia o traslado

externo)

- promedio final, promedio anterior, promedio aplazados está

expresado en el sistema vigesimal.

4.1.2. COMPORTAMIENTO DOCENTE

Se debe analizar los registros del rendimiento docente

(valoración de las encuestas) que se generan al finalizar un

semestre académico, que cumplen con el objetivo de conocer el

detalle del rendimiento docente de cada una de las Escuelas y

Facultades de Universidad Nacional Santiago Antúnez de Mayolo.

El resultado se mide por:

- Semestre académico.

- Ítem que puede ser un Docente, Curricula, Escuela,Facultad.

- Valoración está expresado en una escala de 0 a 4.

4.2. DIMENSIONES

Las dimensiones que conforman el Data Mart están detalladas en

el Cuadro Nº Nº 2.

Cuadro Nº Nº2- Esquema conceptual de la Dimensión Estudiante

Nº Dimensiones

1 Estudiante

2 Docente

3 Curricula

4 Semestre

5 Modalidad de Aprobación


4.2.1. DIMENSIÓN ESTUDIANTE

A. DESCRIPCIÓN

Dimensión que representa a los estudiantes que

conforman la población estudiantil de la Universidad Nacional


B. JERARQUÍAS

Cuadro Nº 3- Esquema conceptual de la Dimensión Estudiante

Nombre del

Atributo Nivel

Contenido

Tipo de dato Descripción Formato Valor por

Defecto

CodigoAlumno Nivel 1 varchar(14) Codigo de Estudiante Alfanumérico Ninguno

Codigo Nivel 2 varchar(12) Codigo de Estudiante en

la universidad Alfanumérico Ninguno

NombreCompleto Nivel 2 varchar(150) Nombre completo del

estudiante Mayúscula Ninguno

Sede Nivel 2 varchar(100) Nombre de la sede Mayúscula Ninguno

Facultad Nivel 2 varchar(100) Nimbre de la Facultad Mayúscula Ninguno

Escuela Nivel 2 varchar(100) Nombre de la escuela Mayúscula Ninguno

Genero Nivel 2 varchar(10) Genero del estudiante Mayuscula 'Sin dato'


4.2.2. DIMENSIÓN DOCENTE

A. DESCRIPCIÓN

Dimensión que representa a los Docentes que laboran

en la Universidad Nacional Santiago Antúnez de Mayolo.

B. JERARQUÍAS


Nombre del

Atributo Nivel

Contenido


Defecto

CodigoDocente Nivel 1 varchar(6) Codigo de Docente Alfanumérico Ninguno

NombreDocente Nivel 1 varchar(150) Nombre completo del Docente Mayúscula Ninguno

Dedicacion Nivel 2 varchar(100) Nombre de la dedicación del docente Mayúscula 'Sin dato'

Categoria Nivel 2 varchar(100) Nombre de la categoria del docente Mayúscula 'Sin dato'

Condicion Nivel 2 varchar(100) Nombre de la condición del Docente Mayúscula Sin dato'

Departamento

Academico Nivel 2 varchar(100) Nombre del departamento académico Mayúscula Ninguno

Grado Nivel 2 varchar(100) Nombre del grado académico del

docente Mayúscula 'Sin dato'

Profesion Nivel 2 varchar(100) Nombre de la profesión del docente Mayúscula 'Sin dato'


4.2.3. DIMENSIÓN CURRICULA

A. DESCRIPCIÓN

Dimensión que representa a la malla curricular de las

diversas carreras profesionales de la Universidad Nacional


B. JERARQUÍAS


Nombre del

Atributo Nivel

Contenido


Defecto

CodigoCurricula Nivel 1 varchar(16) Codigo de Currícula Alfanumérico Ninguno

Facultad Nivel 2 varchar(100) Nombre de la Facultad Mayúscula Ninguno

Escuela Nivel 2 varchar(100) Nombre de la Escuela Mayúscula Ninguno

Curricula Nivel 1 char(2) Numero de Curricula 0 Ninguno

NombreCurso Nivel 2 varchar(100) Nombre del curso Mayúscula Ninguno

Ciclo Nivel 2 char(4) Ciclo académico Mayúscula Ninguno

TipoCurso Nivel 2 varchar(100) Nombre del tipo de curso Mayúscula Ninguno

HorasTeorica Nivel 2 int Número de Horas teóricas 0 Ninguno

HorasPractica Nivel 2 int Número de Horas Prácticas 0 Ninguno


4.2.4. DIMENSIÓN SEMESTRE

A. DESCRIPCIÓN

Dimensión que representa a los semestres académicos

que se han desarrollado en la Universidad Nacional Santiago

Antúnez de Mayolo.

B. JERARQUÍAS


Nombre del

Atributo Nivel

Contenido


Defecto

CodigoSemestre Nivel 1 varchar(6) Codigo del semestre Alfanumérico Ninguno

Semestre Nivel 2 varchar(100) Nombre del semestre Mayúscula Ninguno


4.2.5. DIMENSIÓN MODALIDAD DE APROBACIÓN

A. DESCRIPCIÓN

Dimensión que representa a la modalidad de

aprobación a las cuales está sujeta la evaluación.

B. JERARQUÍAS


Nombre del Atributo Nivel

Contenido


Defecto

CodigoAprobacion Nivel 1 varchar(2) Código de modalidad de

aprobación Alfanumérico Ninguno

ModalidadAprobacion Nivel 2 varchar(100) Nombre de la Modalidad

de Aprobación Mayúscula Ninguno


4.3. Hechos versus Dimensiones

Cuadro Nº 8- Hechos versus Dimensiones

FACTS O TABLA DE HECHOS

DIMENSIONES Comportamiento


Comportamiento

Docente

Estudiante X

Curricula X X

Semestre X X

Modalidad de Aprobación X

Docente X X


4.3.1. HECHO COMPORTAMIENTO ACADÉMICO

ESTUDIANTE

A. DESCRIPCIÓN

Hecho que representa el comportamiento académico de

los estudiantes durante los diferentes semestres académicos.

B. GRANULARIDAD

Cuadro Nº 9- Granularidad de las Dimensiones del Comportamiento académico del Estudiante.

Nº Nombre de la

Dimensión Nombre del Atributo Descripción

Llave

Primaria

1 Curricula CodigoCurricula Curricula utilizada Si

2 Estudiante CodigoAlumno Estudiante que realiza el proceso Si

3 Docente CodigoDocente Docente encargado de la evaluación Si

4 Semestre CodigoSemestre Semestre en que realizó el proceso Si

5 Modalidad

Aprobación CodigoAprobacion Modalidad de aprobación Si


C. MEDIDAS

Cuadro Nº 9- Medidas de las Dimensiones del Comportamiento académico del Estudiante.

N° Nombre Descripción

1 PromedioFinal Promedio final obtenido por un estudiante en un determinado curso.

2 Promedio Anterior Nota de aplazados obtenido por un estudiante en un determinado curso.

3 NotaAplazados Promedio obtenido por un estudiante en un determinado curso en un semestre

anterior.

4 Condicion Condición de un estudiante respecto a un curso.


4.3.2. HECHO COMPORTAMIENTO DOCENTE

A. DESCRIPCIÓN

Hecho que representa el comportamiento docente que

es evaluado por los estudiantes una vez durante un semestre.

B. GRANULARIDAD

Cuadro Nº 10- Granularidad de las Dimensiones del Hecho comportamiento docente.

Nº Nombre de la

Dimensión Nombre del Atributo Descripción

Llave

Primaria

1 Curricula CodigoCurricula Curricula utilizada Si

2 Docente CodigoDocente Docente que es evaluado Si

3 Semestre CodigoSemestre Semestre en que realizó el proceso Si

4

Seccion Numero de sección que realizó la

evaluación Si

5 Encuesta Nombre de la encuesta que se realiza. Si

6 Pregunta Pregunta que se realiza durante la encueta. Si


C. MEDIDAS

Cuadro Nº 11- Medidas de las Dimensiones del Hecho comportamiento docente.

N° Nombre Descripción

1 Valoracion Promedio de la valoración obtenida por pregunta.

2 Cantidad Cantidad de estudiantes que evaluaron


Anexo Nº10 Diagrama de Mapeo de Datos

DIAGRAMA DE MAPEO DE DATOS

La metodología DWEP en su diagrama de Mapeo de Datos, basada en la notación

UML, representa el flujo de datos y la captura de las interconexiones entre los elementos de

diseño. Un mapeo de datos propiamente dicho se define mediante tres elementos lógicos las

cuales son representados en la figura Nº 01.

Figura Nº 01. Mapeo de datos.


Según la metodología, el Diagrama de Mapeo de Datos propone cuatro niveles de

granularidad: nivel 0, nivel 1, nivel 2 y nivel 3 o también conocidos como: el nivel de Base de

datos, nivel de flujo de datos, nivel de tablas y nivel de atributos respectivamente. Al primer

nivel cada esquema de almacén de datos se representa mediante un paquete, los mapeos

entre los diferentes esquemas se modelan en un único paquete que encapsula todos los

detalles. Al segundo nivel describe las relaciones de datos a nivel individual entre las

fuentes de datos hacia los respectivos destinos. Al tercer nivel detalla todas las

transformaciones intermedias que tienen lugar durante el flujo del primer nivel. El

ultimo nivel detalla el mapeo a nivel de atributos.

En base a ello se elaboró los diagramas de mapeo de Datos que se muestran

líneas abajo.

Una entidad (esquema,

tabla o atributo)

responsable de generar

los datos.

Proveedor

Entidad que recibe los

datos del proveedor.

Consumidor

:

Forma en que se realiza el

mapeo incluyendo cualquier tipo

de transformación o filtrado.

Emparejamiento

1. DIAGRAMA DE MAPEO DE DATOS – NIVEL 0

El diagrama de mapeo de datos a este nivel se muestra la relación de la base

de datos fuente ITUNASAM con la base de datos del Data Mart a un nivel macro.

Figura Nº 02. Diagrama de Mapeo de datos nivel 0.



A este nivel se detalla el paquete de Mapeo de Datos mostrado en el nivel

anterior, figura Nª 02. Existen cinco dimensiones en el Data Mart en tal sentido el

mapeo de datos para dichas dimensiones se muestra en los siguientes ítems.

Figura Nº 03. Diagrama de Mapeo de datos nivel 1.


Mapeo de

Curricula

Mapeo de

Estudiante

Mapeo de

Docente

Mapeo de

Semestre

Mapeo de Modalidad de

Aprobacion

Esquema Conceptual de la

Base de Datos ITUNASAM

Esquema Conceptual del

DATAMART

Mapeo de Datos


3.1. MAPEO DE CURRICULA

Figura Nª 04. Diagrama de Mapeo de datos nivel 2.


3.2. MAPEO DE ESTUDIANTE

Figura Nª 05. Diagrama de Mapeo de datos de estudiante nivel 2.


Paso 1DM_Curricula

Curricula(f rom ITUNASAM)

Cursos(f rom ITUNASAM)







Paso 2DM_Estudiante

3.3. MAPEO DE SEMESTRE

Figura Nª 06. Diagrama de Mapeo de semestre de datos nivel 2.


3.4. MAPEO DE MODALIDAD DE APROBACIÓN

Figura Nª 07. Diagrama de Mapeo de modalidad de aprobación datos nivel 2.


3.5. MAPEO DE DOCENTE

Figura Nª 08. Diagrama de Mapeo de docente de datos nivel 2.


Semestre(f rom ITUNASAM)

Paso 3DM_Semestre

TipoAprobado(f rom ITUNASAM)

Paso 4DM_Modalidad_Aprobacion

Trabajador(f rom ITUNASAM)

Dedicacion(f rom ITUNASAM)

Categoria(f rom ITUNASAM)

Condicion(f rom ITUNASAM)

DepartamentoAcademico(f rom ITUNASAM)

Grado(f rom ITUNASAM)

Paso 5DM_Docente


4.1. MAPEO DE CURRÍCULA

Figura Nª 09. Diagrama de Mapeo de datos de currícula nivel 3.

Facultad

Escuela

Curso

Curricula

1

1

1

1..*

Curricula

1..* 1

1..*

1

+child

+child

+child

+parent

+parent

+parent

1..*

+child

1

+parent

Escuela

(f rom ITUNASAM)

Cursos

(f rom ITUNASAM)

Facultad

(f rom ITUNASAM)


Curricula.Facultad

Curricula.Escuela

Curricula.Curricula


Escuela.Descripcion

Curso.Nombre

Curso.TipoCurso

Curso.Ciclo

Curso.HorasTeorica

Curso.HorasPractica

Curricula.CodigoCurricula

Curricula.Facultad

Curricula.Escuela

Curricula.Curricula

Curricula.NombreCurso

Curricula.Ciclo

Curricula.TipoCurso

Curricula.HorasTeorica

Curricula.HorasPractica

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>


4.2. MAPEO DE ESTUDIANTE

Figura Nª10. Diagrama de Mapeo de datos de estudiante nivel 3.





Estudiante

Sede Escuela

Facultad

1

1

1

1..*

1

1..*

1

1..*

+child

+parent

+parent

+parent

+child

+child

Estudiante

Alumno.Alumno

Alumno.Escuela

Alumno.Apell idoPaterno

Alumno.Apell idoMaterno

Alumno.Nombre

Sede.Descripcion


Escuela.Descripcion

Alumno.Varon

Estudiante.CodigoEstudiante

Estudiante.Codigo

Estudiante.NombreCompleto

Estudiante.Sede

Estudiante.Facultad

Estudiante.Escuela

Estudiante.Genero

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>


4.3. MAPEO DE SEMESTRE

Figura Nª11. Diagrama de Mapeo de datos de semestre nivel 3.

Semestre

Semestre

1

1

Semestre

(f rom ITUNASAM)

Semestre.Semestre

Semestre.Descripcion

Semestre.CodigoSemestre

Semestre.Semestre

<<Map>>

<<Map>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>


4.4. MAPEO DE MODALIDAD DE APROBACIÓN

Figura Nª12. Diagrama de Mapeo de datos de modalidad de aprobación nivel 3.

Curso


1

1

TipoAprobado

(f rom ITUNASAM)

TipoAprobado.TipoAprobado

TipoAprobado.Descripcion

Modalidad_Aprobacion.CodigoAprobacion

Modalidad_Aprobacion.ModalidadAprobacion

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>><<Map>>

<<Map>>


4.5. MAPEO DE DOCENTE

Figura Nª13. Diagrama de Mapeo de datos de docente nivel 3.


Docente

Docente

1

1

1

1

1..*

Condicion Grado

1..* 1


1..*1..*

1

1..*

+child

+child

+child

+child

+child+parent

1 +parent

+parent

+parent

+parent







Trabajador.Trabajador

Trabajador.Apell idoPaterno

Trabajador.Apell idoMaterno

Trabajador.Nombre

Dedicacion.Descripcion

Categoria.Descripcion

Condicion.Descripcion

Departamento Academico.Descripcion

Grado.Descripcion

Trabajador.Profesion

Docente.CodigoDocente

Docente.NombreDocente

Docente.Dedicacion

Docente.Categoria

Docente.Grado

Docente.Departamento Academico

Docente.Profesion

Docente.Condicion

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Contain>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>

<<Map>>


Anexo Nº11 Esquema Lógico del Data Mart

ESQUEMA LÓGICO DEL DATA MART

El esquema lógico del Data Mart permite representar las tablas de dimensiones

y hechos, las cuales conforman los distintos modelos estrellas identificados en el

esquema conceptual del Data Mart. En cada tabla, a este nivel, se presentan los campos

que lo conforman sin obviar el tipo de dato. La metodología DWEP a este nivel

propone el Esquema Lógico del Data Mart (Data Mart Logical Schema), que permite

representar las tablas de dimensión y de hechos que conforman cada modelo estrella.

1. ESQUEMAS LÓGICOS DEL DATA MART

Dentro de los esquemas lógicos del Data Mart se tiene al esquema estrella

del comportamiento académico estudiante y al esquema estrella del

comportamiento docente.

Ilustracion Nº1.Esquema estrella del Comportamiento académico del Estudiante


CurriculaCurricula

CodigoCurricula:varchar(16)CodigoCurricula:varchar(16)CPCP

Facultad: varchar(100)Facultad: varchar(100)

Escuela: varchar(100)Escuela: varchar(100)

Curricula: char(2)Curricula: char(2)

Ciclo: char(4)Ciclo: char(4)

NombreCurso: varchar(100)NombreCurso: varchar(100)

TipoCurso: varchar(100)TipoCurso: varchar(100)

HorasTeorica: intHorasTeorica: int

HorasPractica: intHorasPractica: int

EstudianteEstudiante

CodigoAlumno: varchar(14)CodigoAlumno: varchar(14)CPCP

Codigo: varchar(12)Codigo: varchar(12)

NombreCompleto: varchar(150)NombreCompleto: varchar(150)

Sede: varchar(100)Sede: varchar(100)



Genero: varchar(10)Genero: varchar(10)

ComAcadEstudianteComAcadEstudiante


PromedioFinal: numeric(18,2)PromedioFinal: numeric(18,2)

PromedioAnterior: numeric(18,2)PromedioAnterior: numeric(18,2)

CodigoAlumno: varchar(14)CodigoAlumno: varchar(14)CPCP

CodigoDocente: varchar(6)CodigoDocente: varchar(6)CPCP

CodigoSemestre: varchar(6)CodigoSemestre: varchar(6)CPCP

CodigoAprobacion: varchar(2)CodigoAprobacion: varchar(2)CPCP

NotaAplazados: numeric(18,2)NotaAplazados: numeric(18,2)

Condicion: varchar(100)Condicion: varchar(100)

SemestreSemestre


Semestre: varchar(100)Semestre: varchar(100)

ModalidadAprobacionModalidadAprobacion

CodigoAprobacion: varchar(2)CodigoAprobacion: varchar(2)CPCP

ModalidadAprobacion: varchar(100)ModalidadAprobacion: varchar(100)

DocenteDocente


NombreDocente: varchar(150)NombreDocente: varchar(150)

Dedicacion: varchar(100)Dedicacion: varchar(100)

Categoria: varchar(100)Categoria: varchar(100)


DepartamentoAcademico: varchar(100)DepartamentoAcademico: varchar(100)

Grado: varchar(100)Grado: varchar(100)

Profesion: varchar(100)Profesion: varchar(100)

Ilustracion Nº2. Esquema estrella del Comportamiento Docente


2. DICCIONARIO DEL ESQUEMA LÓGICO DE DATA MART

Tabla Curricula

Descripción Tabla dimensión que contiene los datos de las Curriculas de la Univerisidad

Atributo Tipo de Dato Descripción Tamaño

CodigoCurricula varchar(16) Codigo de Currícula 32

Facultad varchar(100) Nombre de la Facultad 200

Escuela varchar(100) Nombre de la Escuela 200

Curricula char(2) Numero de Curricula 4

NombreCurso varchar(100) Nombre del curso 200

Ciclo char(4) Ciclo académico 8

TipoCurso varchar(100) Nombre del tipo de curso 200

HorasTeorica int Numero de Horas teóricas 4

HorasPractica int Numero de Horas Prácticas 4

Tamaño de la Tabla (Bytes) 852

SemestreSemestre


Semestre: varchar(100)Semestre: varchar(100)

DocenteDocente


NombreDocente: varchar(150)NombreDocente: varchar(150)

Dedicacion: varchar(100)Dedicacion: varchar(100)

Categoria: varchar(100)Categoria: varchar(100)


DepartamentoAcademico: varchar(100)DepartamentoAcademico: varchar(100)

Grado: varchar(100)Grado: varchar(100)

Profesion: varchar(100)Profesion: varchar(100)

CompDocCompDoc

CodigoCurricula:varchar(16)CodigoCurricula:varchar(16)CPFKCPFK

Valoracion: numeric(18,2)Valoracion: numeric(18,2)

Cantidad: intCantidad: int

CodigoDocente: varchar(6)CodigoDocente: varchar(6)CPFKCPFK

Pregunta: varchar(200)Pregunta: varchar(200)CPCP

CodigoSemestre: varchar(6)CodigoSemestre: varchar(6)CPFKCPFK

Seccion: char(1)Seccion: char(1)CPCP

Encuesta:varchar(100)Encuesta:varchar(100)CPCP

CurriculaCurricula




Curricula: char(2)Curricula: char(2)

Ciclo: char(4)Ciclo: char(4)

NombreCurso: varchar(100)NombreCurso: varchar(100)

TipoCurso: varchar(100)TipoCurso: varchar(100)

HorasTeorica: intHorasTeorica: int

HorasPractica: intHorasPractica: int

Tabla Estudiante

Descripción Tabla dimensión que contiene los datos de los Estudiantes


CodigoAlumno varchar(14) Codigo de Estudiante 28

Codigo varchar(12) Codigo de Estudiante en la universidad 24

NombreCompleto varchar(150) Nombre completo del estudiante 300

Sede varchar(100) Nombre de la sede 200

Facultad varchar(100) Nimbre de la Facultad 200

Escuela varchar(100) Nombre de la escuela 200

Genero varchar(10) Genero del estudiante 20


Tabla Semestre

Descripción Tabla dimensión que contiene los datos de los Semestres académicos


CodigoSemestre varchar(6) Codigo del semestre 12

Semestre varchar(100) Nombre del semestre 200


Tabla ModalidadAprobacion

Descripción Tabla dimensión que contiene los datos de la modalidad de aprobación


CodigoAprobacion varchar(2) Código de modalidad de aprobación 4

ModalidadAprobacion varchar(100) Nombre de la Modalidad de Aprobación 200


Tabla Docente

Descripción Tabla dimensión que contiene los datos de los docentes


CodigoDocente varchar(6) Codigo de Docente 12

NombreDocente varchar(150) Nombre completo del Docente 300

Dedicacion varchar(100) Nombre de la dedicación del docente 200

Categoria varchar(100) Nombre de la categoria del docente 200

Condicion varchar(100) Nombre de la condición del Docente 200

Departamento

Academico varchar(100) Nombre del departamento académico

200

Grado varchar(100) Nombre del grado académico del docente 200

Profesion varchar(100) Nombre de la profesión del docente 200



Descripción Tabla Hecho que contiene los datos del comportamiento académico de los

estudiantes



CodigoAlumno varchar(12) Codigo de Estudiante 24



CodigoAprobacion varchar(2) Código de modalidad de aprobación 4

PromedioFinal numeric(18,0) Promedio final obtenido por un estudiante en un

determinado curso. 36

Promedio Anterior numeric(18,0) Nota de aplazados obtenido por un estudiante en

un determinado curso. 4

NotaAplazados numeric(18,0) Promedio obtenido por un estudiante en un

determinado curso en un semestre anterior. 4

Condicion varchar(100) Condición de un estudiante respecto a un curso. 200


Tabla CompDoc

Descripción Tabla Hecho que contiene los datos del Comportamiento Academico Docente





Seccion char(1) Numero de sección que realizó la evaluación 2

Encuesta varchar(100) Nombre de la encuesta que se realiza. 200

Pregunta varchar(200) Pregunta que se realiza durante la encueta. 400

Valoracion numeric(18,2) Promedio de la valoración obtenida por pregunta. 4

Cantidad int Cantidad de estudiantes que evaluaron 4


Anexo Nº12 Esquema Físico del Data Mart

Esquema Físico del Data Mart

El esquema físico del Data Mart representa la organización física del modelo

multidimensional del Data Mart. La metodología DWEP propone el diagrama de

componentes y el diagrama de despliegue a este nivel.

1. Diagrama de Componentes

Este diagrama muestra la organización de la instancia de la base de datos

del Data Mart, En la figura Nº 01 se muestra el diagrama de despliegue, la cual está

estructurada en dos componentes: Dimensiones y Hechos, la primera contiene

información relacionada a las tablas de dimensiones. La segunda contiene

información de las tablas hechos, son estas las que contienen la mayor cantidad de

registros.

Figura Nº 01. Diagrama de despliegue.


2. Diagrama de despliegue

El diagrama de despliegue muestra como está organizado el servidor que

soportará la base de datos del Data Mart. En la figura Nº 02 se ilustra el servidor, la

Datamart

<<Base de Datos>>

Dimensiones

<<Categoria>>

Hechos

<<Categoria>>Estudiant

e

Semestre

Curricula Docente Modalidad

Aprobacion

CompAcad

Estudiante

CompDo

c

<<use>>

<<use>>

<<use>>

<<use>><<use>>

<<use>><<use>>

<<use>>

<<use>>

cual deberá contar con un disco de un tamaño de 20GB (basada en la estimación

realizada en el siguiente ítem).

Figura Nº 02. Diagrama de despliegue del Servidor

<<Servidor>>

DM Servidor

{SO=Windows, SW=MSSQL}

CPU=4 procesadores, Mem=4GB

<<Base de Datos>>

DM Servidor

Datamart-Unasam

<<Base de Datos>>

DM Servidor

Datamart-Unasam

<<Base de Datos>>

Datamart-Unasam

<<Base de Datos>>

Datamart-Unasam

<<Disco>>

Disco del Servidor

{Tam=10GB}

<<Disco>>

Disco del Servidor

{Tam=10GB}

<<InternalBus>>

<<Servidor>>

DM Servidor

{SO=Windows, SW=MSSQL}

CPU=4 procesadores, Mem=4GB

<<Base de Datos>>

DM Servidor

Datamart-Unasam

<<Base de Datos>>

Datamart-Unasam

<<Disco>>

Disco del Servidor

{Tam=10GB}

<<InternalBus>>


Finamente en la figura Nº 03 se muestra el diagrama de despliegue general,

a la cual se conectará varias computadoras cliente las cuales solo tendrán acceso a

la interfaz de usuario.

Figura Nº 03. Diagrama de despliegue

<<Servidor>>

DM Servidor

<<Servidor>>

DM Servidor

<<Cliente>>

PC Cliente

<<Cliente>>

PC Cliente


3. Estimación del tamaño de la base de datos del Data Mart

Para la estimación del tamaño de la base de datos del Data Mart, se tomará

en cuenta solo el tamaño de las tablas de hecho debido a que el tamaño de una tabla

de dimensión es despreciable respecto a la de un hecho.

Para calcular el tamaño de las tablas de hecho, es necesario saber el tamaño

de los tipos de datos que la conforman, que en este caso son los tipos de datos de

MsSQL. Los tamaños en Bytes según el tipo de datos son:

Cuadro Nº 1. Tipos de datos MSSQL

Tipo de Dato Presicion Tamaño

numeric 1-9 5 bytes

real 7 dígitos 4 bytes

int 4 bytes

Varchar(n) n+ 2 bytes

Char(n) n bytes Fuente: MSSQL.

A continuación, se muestra los cuadros de estimación de tamaño de las

tablas de hecho por cada fila, para posteriormente realizar la estimación aproximada

por el número de registros en el tiempo, teniendo en cuenta que para la cantidad de

registros por dimensión se asume que la universidad tiene 118 semestres cumplidos

y se realiza el cálculo aproximado de 10 semestres adicionales. Teniendo en cuenta

el tamaño de las tablas hecho es superior que las tablas de dimensión, solo se realizó

la estimación de

Para el Hecho: Comportamiento Academico Estuadiante

Cuadro Nº 2. Tipos de datos MSSQL

Atributos Tipo de dato Tamaño

CodigoCurricula varchar(16) 18 Bytes

CodigoAlumno varchar(12) 14 Bytes

CodigoDocente varchar(6) 8 Bytes

CodigoSemestre varchar(6) 8 Bytes

CodigoAprobacion varchar(2) 4 Bytes

PromedioFinal numeric(18,0) 5 Bytes

Promedio Anterior numeric(18,0) 5 Bytes

NotaAplazados numeric(18,0) 5 Bytes

Condicion varchar(100) 102 Bytes

Tamaño de registro por fila (Bytes): 169 Bytes

Cuadro Nº 3. Estimación del tamaño de la tabla hecho comportamiento académico Estudiante

Semestre

Número de

Registros por

Semestre

Número de

Registros en el

Tiempo

Semestre

Número de

Registros por

Semestre

Número de

Registros en el

Tiempo

1 1978-1 13 13 51 1999-2 21697 373172

2 1978-2 736 749 52 1999-3 5 373177

3 1979-1 1562 2311 53 2000-0 2151 375328

4 1979-2 1242 3553 54 2000-1 28936 404264

5 1980-1 2009 5562 55 2000-2 25782 430046

6 1980-2 1249 6811 56 2000-3 18 430064

7 1981-1 2089 8900 57 2001-0 1848 431912

8 1981-2 1672 10572 58 2001-1 30008 461920

9 1982-1 2659 13231 59 2001-2 27965 489885

10 1982-2 2435 15666 60 2001-3 6 489891

11 1983-1 3000 18666 61 2002-0 2619 492510

12 1983-2 2958 21624 62 2002-1 29911 522421

13 1984-1 2846 24470 63 2002-2 25122 547543

14 1984-2 4112 28582 64 2003-0 1486 549029

15 1985-1 4017 32599 65 2003-1 27491 576520

16 1985-2 5879 38478 66 2003-2 24192 600712

17 1986-0 1 38479 67 2004-0 3 600715

18 1986-1 6590 45069 68 2004-1 26833 627548

19 1986-2 5851 50920 69 2004-2 23699 651247

20 1986-3 985 51905 70 2005-0 2 651249

21 1987-1 7123 59028 71 2005-1 26497 677746

22 1987-2 7430 66458 72 2005-2 26189 703935

23 1988-1 7692 74150 73 2006-0 30 703965

24 1988-2 8365 82515 74 2006-1 27477 731442

25 1989-1 7709 90224 75 2006-2 26073 757515

26 1989-2 9282 99506 76 2007-0 21 757536

27 1990-1 9247 108753 77 2007-1 26251 783787

28 1990-2 7185 115938 78 2007-2 26193 809980

29 1991-1 2636 118574 79 2008-0 30 810010

30 1991-2 7 118581 80 2008-1 27710 837720

31 1992-1 743 119324 81 2008-2 26994 864714

32 1992-2 1230 120554 82 2009-0 33 864747

33 1993-0 152 120706 83 2009-1 29891 894638

34 1993-1 10523 131229 84 2009-2 30447 925085

35 1993-2 10416 141645 85 2010-0 45 925130

36 1993-3 115 141760 86 2010-1 31794 956924

37 1994-1 12359 154119 87 2010-2 32445 989369

38 1994-2 15771 169890 88 2011-0 3232 992601

39 1995-1 17037 186927 89 2011-1 33704 1026305

40 1995-2 14854 201781 90 2011-2 34938 1061243

41 1996-1 17436 219217 91 2012-0 2870 1064113

42 1996-2 16309 235526 92 2012-1 37260 1101373

43 1997-1 24360 259886 93 2012-2 35808 1137181

44 1997-2 20429 280315 94 2013-0 33 1137214

45 1998-0 1617 281932 95 2013-1 35700 1172914

46 1998-1 22212 304144 96 2013-2 35245 1208159

47 1998-2 19758 323902 97 2014-1 35328 1243487

48 1998-3 6 323908 98 2014-2 31403 1274890

49 1999-0 2067 325975 99 2015-1 38245 1313135

50 1999-1 25500 351475 100 2015-2 34146 1347281

Cuadro Nº 4. Estimación del tamaño de la tabla hecho comportamiento académico Estudiante

Nº Semestre Estimación Lineal Estimación

Exponencial

101 2015-1 1119461 3385688,203

102 2015-2 1132738 3582486,797

103 2016-1 1146015 3790724,627

104 2016-2 1159292 4011066,618

105 2017-1 1172569 4244216,342

106 2017-2 1185846 4490918,27

107 2018-1 1199123 4751960,147

108 2018-2 1212400 5028175,504

109 2019-1 1225677 5320446,324

110 2019-2 1238954 5629705,858

111 2020-1 1252231 5956941,602

y = 9971,2x

y = 11255e0,0565x

0

500000

1000000

1500000

2000000

2500000

3000000

3500000

0 20 40 60 80 100 120

Nú

mer

o d

e R

egis

tro

s h

asta

el S

emes

tre

Semestres

Estimación de Disco

Tamaño de registro (Bytes): 166

Número de registro estimado 5956941,602

Tamaño en Disco 988852306

Kb 988852,306

Mb 988,852306

Gb 0,988852306

Para el Hecho comportamiento Académico Docente.

Dimensión Tipo de dato Tamaño

CodigoCurricula varchar(16) 18 Bytes

CodigoDocente varchar(6) 8 Bytes

CodigoSemestre varchar(6) 8 Bytes

Seccion char(1) 1 Bytes

Encuesta varchar(100) 102 Bytes

Pregunta varchar(200) 202 Bytes

Valoracion numeric(18,2) 4 Bytes

Cantidad int 4 Bytes

Tamaño de registro por fila (Bytes): 361 Bytes

Cuadro Nº 5. Estimación del tamaño de la tabla hecho comportamiento Docente

Semestre Número de Registros

por Semestre

Número de Registros

en el Tiempo

1 2007-1 29810 29810

2 2007-2 29678 59488

3 2008-1 30668 90156

4 2008-2 27940 118096

5 2009-1 27920 146016

6 2009-2 28460 174476

7 2010-1 28780 203256

8 2010-2 28960 232216

9 2011-1 28700 260916

10 2011-2 28980 289896

11 2012-1 29960 319856

12 2012-2 28560 348416

13 2013-1 24700 373116

14 2013-2 17070 390186

15 2014-1 29880 420066

16 2014-2 28820 448886

17 2015-1 60 448946

Cuadro Nº 6. Estimación del tamaño de la tabla hecho comportamiento Docente

Nº Semestre Estimación Lineal Estimación

Exponencial

18 2015-1 501845 744624,0667

19 2015-2 529149 858407,9757

20 2016-1 556453 989578,8837

21 2016-2 583757 1140793,649

22 2017-1 611061 1315115,117

23 2017-2 638365 1516074,159

24 2018-1 665669 1747741,186

25 2018-2 692973 2014808,601

26 2019-1 720277 2322685,835

27 2019-2 747581 2677608,924

28 2020-1 774885 3086766,811

Estimación de Disco

Tamaño de registro (Bytes):

361

Número de registro estimado

3086766,811

Tamaño en Disco 1114322819

Kb 1114322,819

Mb 1114,322819

Gb 1,114322819

y = 27304x + 10373

y = 57586e0,1422x

0

100000

200000

300000

400000

500000

600000

700000

0 2 4 6 8 10 12 14 16 18

Nú

mer

o d

e R

egis

tro

s h

asta

el S

emes

tre

Semestres

Anexo Nº13 PROCESO ETL

PROCESO DE EXTRACCIÓN, TRANSFORMACIÓN Y CARGA

La metodología DWEP propone un diagrama de proceso ETL, con sus respectivos

estereotipos basados en UML, con el fin de representar las operaciones dentro de este proceso

tales como: la integración de los datos provenientes de las bases de datos fuentes, la

transformación de los atributos, la generación de claves sustitutas, entre otras operaciones.

La metodología DWEP define ciertas operaciones y asigna un estereotipo para cada

una ellas, en el Cuadro Nº Nº 01, se muestra las operaciones y/o mecanismos ETL con su

respectivo uso y estereotipo.

Cuadro Nº 01. Mecanismo y estereotipos del diagrama de proceso ETL

MECANISMO

ETL DESCRIPCIÓN ICONO

<<Aggregation>> Agrega los datos en base a algún criterio.

<<Conversion>> Cambia los tipos de datos, el formato o calcula nuevos datos (atributos derivados) a partir de los datos existentes.

<<Filter>> Filtra los datos no deseados y verifica la calidad de los datos en base a

restricciones.

<<Incorrect>>

Redirige los registros incorrectos o descartados a un destino separado

para su posterior verificación; solo se puede usar con filter, Loades y Wrapper.

<<Join>> Une dos fuentes de datos relacionados entre sí a través de uno o varios

atributos.

<<Loader>> Carga los datos en el destino de un proceso ETL (en un hecho o dimensión del Datawarehouse)

<<Log>> Controla y registra la actividad de otro mecanismo ETL, con el fin de

auditar las transformaciones realizadas.

<<Mergue>> Integra los datos provenientes de dos o más fuentes de datos con atributos compatibles.

<<Surrogate>> Genera una clave sustituta única, que se emplea para remplazar la clave

empleada en las fuentes de datos

<<Wrapper>> Transforma una fuente de datos nativa en una fuente de datos basada en registro

Fuente: Luján Sergio, Data Warehouse Design with UML, 2005

Los diagramas del proceso ETL fueron desarrollados según cada una de las

dimensiones y los hechos del modelo multidimensional del Data Mart, ellos se detallan

líneas abajo.

1. PROCESO ETL DE LA DIMENSIÓN CURRICULA

El proceso ETL de la dimensión Curricula requiere datos de las tablas Cursos,

Curricula, Escuela y Facultad de la Fuente de datos ITUNASAM, con las cuales se

procedió a unir los datos relacionados entre sí a través de uno o varios atributos logrando

así obtener las curriculas completas que fueron filtradas previamente por la Curricula,

Escuela y Facultad; posteriormente se generó la clave y se realizó la carga de datos de la

Dimension Curricula, todo este proceso es mostrado en la figura Nº 01.

Figura Nª 01. Proceso ETL de la Dimensión Curricula


Facultad

(f rom ITUNASAM)

Escuela

(f rom ITUNASAM)

Cursos

(f rom ITUNASAM)

Curriculas

Completas

Filtrar

Curricula,

Escuela y

Facultad Generar

Clave

Cargar

Curricula

Dimensión

Curricula

1..*

1..*

1

1


2. PROCESO ETL DE LA DIMENSIÓN ESTUDIANTE

El proceso ETL de la dimensión Estudiante requiere datos de las tablas Alumno,

Sede, Escuela y Facultad de la Fuente de datos ITUNASAM, con las cuales se procedió a

unir los datos relacionados entre sí a través de uno o varios atributos logrando así obtener

a los Estudiantes completos que fueron filtradas previamente por la Sede, Escuela y

Facultad a la cual pertenecen; posteriormente se generó la clave y se realizó la carga de

datos de la Dimensión Estudiante, todo este proceso es mostrado en la figura Nº 02.

Figura Nª 02. Proceso ETL de la Dimensión Estudiante





Dimension

Estudiante

Filtrar Sede,

Escuela y

Facultad

Generar

Clave

Estudiantes

Completos

Cargar

Estudiante

1..*

1

1

1..*

1..*

1


3. PROCESO ETL DE LA DIMENSIÓN SEMESTRE

El proceso ETL de la dimensión Semestre requiere datos de la tabla Semestre de

la Fuente de datos ITUNASAM, con las cual se procedió a unir los datos relacionados

entre sí a través de los atributos, logrando así obtener a los Semestres completos;

posteriormente se generó la clave y se realizó la carga de datos de la Dimensión Semestre,

todo este proceso es mostrado en la figura Nº 03.

Figura Nª 03. Proceso ETL de la Dimensión Semestre

Semestre

(f rom ITUNASAM)

Semestres

Completos

Generar

ClaveCargar

Semestre

Dimensión

Semestre


4. PROCESO ETL DE LA DIMENSIÓN MODALIDAD DE APROBACIÓN

El proceso ETL de la dimensión Modalidad de Aprobación requiere datos de la

tabla TipoAprobado de la Fuente de datos ITUNASAM, con las cual se procedió a unir

los datos relacionados entre sí a través de los atributos, logrando así obtener a los Tipos

de Aprobados completos; posteriormente se generó la clave y se realizó la carga de datos

de la Dimensión Modalidad de Aprobación, todo este proceso es mostrado en la figura Nº

04.

Figura Nª 04. Proceso ETL de la Dimensión Modalidad de Aprobación.

Tipo de

Aprobados

Completos

Generar

ClaveCargar

Modalidad de

Aprobados

TipoAprobado

(f rom ITUNASAM)

Dimensión Modalidad

de Aprobación


5. PROCESO ETL DE LA DIMENSIÓN DOCENTE

El proceso ETL de la dimensión Docente requiere datos de las tablas Trabajador,

Dedicación, Categoría, Condición, Grado y Departamento Académico de la Fuente de

datos ITUNASAM, con las cuales se procedió a unir los datos relacionados entre sí a

través de uno o varios atributos logrando así obtener a los Trabajadores completos que

fueron filtradas previamente por la Dedicación, Categoría, condición, grado y

Departamento Académico a la cual pertenecen cada uno de ellos; posteriormente se

generó la clave y se realizó la carga de datos de la Dimensión Docente, todo este proceso

es mostrado en la figura Nº 05.

Figura Nª 05. Proceso ETL de la Dimensión Modalidad de Aprobación.

Dimensión

Docente







Trabajadores

Completos

Generar

Clave

Cargar

Docente

Filtrar por

Dedicación

Categoria,

Condición, Grado

y Departamento

Académio


6. PROCESO ETL DEL HECHO COMPORTAMIENTO ACADÉMICO

ESTUDIANTE

El proceso ETL del Hecho Comportamiento Académico Estudiante requiere datos

de la tabla Rendimiento de la Fuente de datos ITUNASAM, con las cual se procedió a

unir los datos relacionados entre sí a través de uno o varios atributos logrando así obtener

el rendimiento completo, teniendo en cuenta la conversión de medidas de los atributos;

posteriormente se generó la clave y se realizó la carga de datos al hecho Comportamiento

Académico Estudiante, todo este proceso es mostrado en la figura Nº 06.

Figura Nª 06. Proceso ETL del Hecho Comportamiento Académico Estudiante

Rendimiento

(f rom ITUNASAM)

Rendimiento

Completo

Convertir

medidas

Generar

ClaveCargar

Curricula

Hecho Rendimiento



7. PROCESO ETL DEL HECHO COMPORTAMIENTO ACADÉMICO DOCENTE

El proceso ETL del Hecho Comportamiento Docente requiere datos de las tablas

Encuesta, Preguntas y Respuestas de las Fuente de datos ITUNASAM, con las cual se

procedió a unir los datos relacionados entre sí a través de uno o varios atributos logrando

así obtener las encuestas completas, que previamente fueron filtradas por la pregunta y

respuesta según cada atributo. Además, se tiene que tener en cuenta la conversión de

medidas de los atributos y los atributo agregados; posteriormente se generó la clave y se

realizó la carga de datos al hecho Comportamiento Docente, todo este proceso es mostrado

en la figura Nº 07.

Figura Nª 07. Proceso ETL del Hecho Comportamiento Docente

Encueta(f rom ITUNASAM)

Respuesta(f rom ITUNASAM)

Pregunta(f rom ITUNASAM)

1

1..*

1..*

1

Encuestas

completas Convertir

medidas

Generar

ClaveCargar

Curricula

Filtrar

Pregunta y

Respuesta

Agrega

medidas

Hecho Comportamiento

Docente


8. ESPECIFICACIONES DE LAS TRANSFORMACIONES

8.1. TRANSFORMACIONES DE LA DIMENSIÓN CURRICULA

Representa la extracción, transformación y carga de la dimensión Curricula.

A. DESCRIPCIÓN DE LA FUENTE DE DATOS

Cuadro Nº 01. Descripción de la fuente de Datos de la Dimensión Curricula

Tipo de fuente Nombre de la tabla Descripción

ITUNASAM

(MSSQL)

Curricula Curricula académica.

Facultad Facultades de la Universidad

Escuela Escuelas académicas de la Universidad.

Curso Datos de los Cursos de la Universidad.


B. ESTANDARIZACIÓN DE DATOS


Nombre Llave Tipo Formato Limpieza Valor por

defecto

CodigoCurricula PK VARCHAR (16) Texto No debe ser nulo 0

Facultad VARCHAR (100) Texto No debe ser nulo 0

Escuela VARCHAR (100) Texto No debe ser nulo 0

Curricula CHAR (2) Texto No debe ser nulo 0

NombreCurso VARCHAR (100) Texto No debe ser nulo 0

Ciclo CHAR (4) Texto No debe ser nulo 0

TipoCurso VARCHAR (100) Texto No debe ser nulo 0

HorasTeorica INT Numérico No debe ser negativo 0

HorasPractica INT Numérico No debe ser negativo 0


C. FUENTE DE DATOS

Cuadro Nº 03. Descripción de la fuente de Datos de la Dimensión Curricula.

Tabla Curricula, Facultad, Escuela , Curso

Campos Llave Tipo Formato Consideraciones

Facultad PK CHAR (2) Texto No tiene espacios en blanco, tiene ceros a la izquierda

Escuela PK CHAR (2) Texto No tiene espacios en blanco, tiene ceros a la izquierda

Curricula PK CHAR (2) Texto No tiene espacios en blanco, tiene ceros a la izquierda

Curso PK CHAR (2) Texto No tiene espacios en blanco, tiene ceros a la izquierda

Descripcion VARCHAR (100) Texto Tiene espacios en blanco, tiene ceros a la izquierda


Curricula CHAR (2) Texto Tiene espacios en blanco, tiene ceros a la izquierda

Nombre VARCHAR (100) Texto Tiene espacios en blanco

Ciclo

CHAR (4) Texto No tiene espacios en blanco, no tiene ceros a la

izquierda

TipoCurso

CHAR (1) Texto No tiene espacios en blanco, no tiene ceros a la

izquierda

HorasTeorica

NUMERIC (9,0) Numérico No considera decimales, está justificado a la derecha,

no debe ser negativo

HorasPractica

NUMERIC (9,0) Numérico No considera decimales, está justificado a la derecha,

no debe ser negativo


D. TABLA DE DESTINO



8.2. TRANSFORMACIONES DE LA DIMENSIÓN ESTUDIANTE

Representa la extracción, transformación y carga de la dimensión

Estudiante.


Cuadro Nº 05. Descripción de la fuente de Datos de la Dimensión Estudiante


ITUNASAM (MSSQL)

Alumno Datos del estudiante.

Facultad Facultades de la Universidad

Escuela Escuelas académicas de la Universidad.

Sede Datos de la sedes de la Universidad.





defecto

CodigoAlumno PK VARCHAR (14) Texto No debe ser nulo 0

Codigo VARCHAR (12) Texto No debe ser nulo 0

NombreCompleto VARCHAR (150) Texto No debe ser nulo 0

Sede VARCHAR (100) Texto No debe ser nulo 0

Facultad VARCHAR (100) Texto No debe ser nulo 0

Escuela VARCHAR (100) Texto No debe ser nulo 0

Genero VARCHAR (10) Texto No debe ser nulo 0


Tabla Curricula

Campo Tipo Mapeo

CodigoCurricula VARCHAR (16) Curricula.CodigoCurricula

Facultad VARCHAR (100) Curricula.Facultad

Escuela VARCHAR (100) Curricula.Escuela

Curricula CHAR (2) Curricula.Curricula

NombreCurso VARCHAR (100) Curricula.NombreCurso

Ciclo CHAR (4) Curricula.Ciclo

TipoCurso VARCHAR (100) Curricula.TipoCurso

HorasTeorica INT Curricula.HorasTeorica

HorasPractica INT Curricula.HorasPractica

CodigoCurricula VARCHAR (16) Curricula.CodigoCurricula

C. FUENTE DE DATOS


Tabla Alumno, Sede, Facultad, Escuela


Alumno PK CHAR (12) Texto No tiene espacios en blanco, tiene ceros a la

izquierda

Escuela CHAR (2) Texto No tiene espacios en blanco, tiene ceros a la

izquierda

ApellidoPaterno CHAR (50) Texto Tiene espacios en blanco, no tiene ceros a la

izquierda ApellidoMaterno CHAR (50) Texto Tiene espacios en blanco, no tiene ceros a la

izquierda Nombre CHAR (50) Texto Tiene espacios en blanco, no tiene ceros a la

izquierda Descripcion VARCHAR (100) Texto Tiene espacios en blanco, tiene ceros a la izquierda Descripcion VARCHAR (100) Texto Tiene espacios en blanco, tiene ceros a la izquierda



D. TABLA DE DESTINO



8.3. TRANSFORMACIONES DE LA DIMENSIÓN SEMESTRE

Representa la extracción, transformación y carga de la dimensión Semestre.


Cuadro Nº 09. Descripción de la fuente de Datos de la Dimensión Semestre


ITUNASAM (MSSQL) Semestre Semestres académicos.


Tabla Estudiante

Campo Tipo Mapeo

CodigoAlumno VARCHAR (14) Estudiante.CodigoAlumno

Codigo VARCHAR (12) Estudiante.Codigo

NombreCompleto VARCHAR (150) Estudiante.NombreCompleto

Sede VARCHAR (100) Estudiante.Sede

Facultad VARCHAR (100) Estudiante.Facultad

Escuela VARCHAR (100) Estudiante.Escuela

Genero VARCHAR (10) Estudiante.Genero




defecto

CodigoSemestre PK VARCHAR (6) Texto No debe ser nulo 0

Semestre VARCHAR (100) Texto No debe ser nulo 0


C. FUENTE DE DATOS


Tabla Semestre

Campos llave Tipo Formato Consideraciones

Semestre PK CHAR (6) Texto No tiene espacios en blanco, tiene ceros a la

izquierda

Descripción VARCHAR (100) Texto Tiene espacios en blanco, tiene ceros a la

izquierda Fuente: Elaboración propia.

D. TABLA DE DESTINO



8.4. TRANSFORMACIONES DE LA DIMENSIÓN MODALIDAD DE

APROBACIÓN

Representa la extracción, transformación y carga de la dimensión Modalidad

de Aprobación.


Cuadro Nº 13. Descripción de la fuente de Datos de la Dimensión Modalidad de Aprobación


ITUNASAM (MSSQL) TipoAprobado Tipo de aprobación.


Tabla Semestre

Campo Tipo Mapeo

CodigoSemestre VARCHAR (6) Semestre.CodigoSemestre

Semestre VARCHAR (100) Semestre.Semestre




defecto

CodigoAprobacion PK VARCHAR (2) Texto No debe ser nulo 0

ModalidadAprobacion VARCHAR(100) Texto No debe ser nulo 0


C. FUENTE DE DATOS


Tabla TipoAprobado


TipoAprobado PK CHAR (1) Texto No tiene espacios en blanco, tiene ceros a la

izquierda

Descripcion VARCHAR (100) Texto No tiene espacios en blanco, tiene ceros a la

izquierda Fuente: Elaboración propia.

D. TABLA DE DESTINO



8.5. TRANSFORMACIONES DE LA DIMENSIÓN DOCENTE

Representa la extracción, transformación y carga de la dimensión Docente.


Cuadro Nº 17. Descripción de la fuente de Datos de la Dimensión Docente


ITUNASAM

(MSSQL)

Trabajador Datos de los trabajadores de la Universidad.

Dedicacion Tiempo de dedicación a la Universidad.

Categoria Categoria del trabajador de la Universidad.

Condicion Condicion del trabajador de la Universidad

Departamento Academico Datos de los departamentos académicos.

Grado Grado académico de los trabajadores de la Universidad.


Tabla Curricula

Campo Tipo Mapeo

CodigoAprobacion VARCHAR(2) ModalidadAprobacion.CodigoAprobacion

ModalidadAprobacion VARCHAR(100) ModalidadAprobacion.ModalidadAprobacion




defecto

CodigoDocente PK VARCHAR (6) Texto No debe ser nulo 0

NombreDocente VARCHAR (150) Texto No debe ser nulo 0

Dedicacion VARCHAR(100) Texto No debe ser nulo 0

Categoria VARCHAR(100) Texto No debe ser nulo 0

Condicion VARCHAR(100) Texto No debe ser nulo 0

Departamento Academico VARCHAR(100) Texto No debe ser nulo 0

Grado VARCHAR(100) Texto No debe ser nulo 0

Profesion VARCHAR(100) Texto No debe ser nulo 0


C. FUENTE DE DATOS


Tabla Trabajador, Dedicacion, Categoria, Condicion, Departamento Academico, Grado


Trabajador PK CHAR (6) Texto No tiene espacios en blanco, tiene ceros a la

izquierda

ApellidoPaterno VARCHAR (50) Texto Tiene espacios en blanco, no tiene números.

ApellidoMaterno VARCHAR (50) Texto Tiene espacios en blanco, no tiene números.

Nombre VARCHAR (50) Texto Tiene espacios en blanco, no tiene números.

Descripcion VARCHAR (100) Texto Tiene espacios en blanco, no tiene números.


Descripción VARCHAR (100) Texto Tiene espacios en blanco, no tiene números.


Grado VARCHAR (100) Texto Tiene espacios en blanco, no tiene números.

Profesion VARCHAR (100) Texto Tiene espacios en blanco, no tiene números.


D. TABLA DE DESTINO


Tabla Docente

Campo Tipo Mapeo


NombreDocente VARCHAR (150) Docente.NombreDocente

Dedicacion VARCHAR(100) Docente.Dedicacion

Categoria VARCHAR(100) Docente.Categoria

Condicion VARCHAR(100) Docente.Condicion

Departamento

Academico VARCHAR(100) Docente.Departamento Academico


8.6. TRANSFORMACIONES DEL HECHO COMPORTAMIENTO

ACADÉMICO ESTUDIANTE

Representa la extracción, transformación y carga del hecho Comportamiento

Académico Estudiante.


Cuadro Nº 21. Descripción de la fuente de Datos del hecho Comportamiento Académico Estudiante


ITUNASAM (MSSQL) Rendimiento Almacena el rendimiento académico de los estudiantes de la

Universidad.





defecto

CodigoCurricula PK VARCHAR (16) Texto No debe ser nulo 0

CodigoAlumno VARCHAR (12) Texto No debe ser nulo 0

CodigoDocente VARCHAR (6) Texto No debe ser nulo 0

CodigoSemestre VARCHAR (6) Texto No debe ser nulo 0

CodigoAprobacion VARCHAR (2) Texto No debe ser nulo 0

PromedioFinal NUMERIC (18,0) Numérico No debe ser negativo 0

Promedio Anterior NUMERIC (18,0) Numérico No debe ser negativo 0

NotaAplazados NUMERIC (18,0) Numérico No debe ser negativo 0

Condicion VARCHAR (100) Texto No debe ser nulo 0


Grado VARCHAR(100) Docente.Grado

Profesion VARCHAR(100) Docente.Profesion


NombreDocente VARCHAR (150) Docente.NombreDocente

C. FUENTE DE DATOS


Tabla Rendimiento


PromedioFinal - NUMERIC(18,0) Numérico No considera decimales, está justificado a

la derecha, no debe ser negativo

Promedio Anterior - NUMERIC(18,0) Numérico No considera decimales, está justificado a


NotaAplazados - NUMERIC(18,0) Numérico No considera decimales, está justificado a



D. TABLA DE DESTINO



8.7. TRANSFORMACIONES DEL HECHO COMPORTAMIENTO DOCENTE

Representa la extracción, transformación y carga del hecho Comportamiento

Docente.


Cuadro Nº 25. Descripción de la fuente de Datos del hecho Comportamiento Docente


ITUNASAM

(MSSQL)

Encuesta Encuestas académicas de los docentes realizados por los

estudiantes de la Universidad.

Pregunta Preguntas de las encuestas.

Respuesta Respuestas de los estudiantes.



Campo Tipo Mapeo

CodigoCurricula VARCHAR (16) ComAcadEstudiante.CodigoCurricula

CodigoAlumno VARCHAR (12) ComAcadEstudiante.CodigoAlumno

CodigoDocente VARCHAR (6) ComAcadEstudiante.CodigoDocente

CodigoSemestre VARCHAR (6) ComAcadEstudiante.CodigoSemestre

CodigoAprobacion VARCHAR (2) ComAcadEstudiante.CodigoAprobacion

PromedioFinal NUMERIC (18,0) ComAcadEstudiante.PromedioFinal

Promedio Anterior NUMERIC (18,0) ComAcadEstudiante.Promedio Anterior

NotaAplazados NUMERIC (18,0) ComAcadEstudiante.NotaAplazados

Condicion VARCHAR (100) ComAcadEstudiante.Condicion

CodigoCurricula VARCHAR (16) ComAcadEstudiante.CodigoCurricula




defecto

CodigoCurricula PK VARCHAR(16) Texto No debe ser nulo 0

CodigoDocente VARCHAR (6) Texto No debe ser nulo 0

CodigoSemestre VARCHAR (6) Texto No debe ser nulo 0

Seccion CHAR (1) Texto No debe ser nulo 0

Encuesta VARCHAR (100) Texto No debe ser nulo 0

Pregunta VARCHAR (200) Texto No debe ser nulo 0

Valoracion NUMERIC (18,2) Numérico No debe ser negativo, se

considera dos cifras decimales 0

Cantidad INT Numérico No debe ser negativo 0


C. FUENTE DE DATOS


Tabla Respuesta, Encuesta, Pregunta


Seccion PK CHAR(1) Texto No tiene espacios en blanco, tiene ceros a

la izquierda

Descripcion (Encuesta) PK VARCHAR(100) Texto Tiene espacios en blanco, tiene ceros a la

izquierda

Descripcion (Pregunta) PK VARCHAR(200) Texto Tiene espacios en blanco, tiene ceros a la

izquierda

Valoración CHAR(1) Texto No considera decimales, está justificado a



D. TABLA DE DESTINO



Tabla CompDoc

Campo Tipo Mapeo

CodigoCurricula VARCHAR(16) CompDoc.CodigoCurricula

CodigoDocente VARCHAR (6) CompDoc.CodigoDocente

CodigoSemestre VARCHAR (6) CompDoc.CodigoSemestre

Seccion CHAR (1) CompDoc.Seccion

Encuesta VARCHAR (100) CompDoc.Encuesta

Pregunta VARCHAR (200) CompDoc.Pregunta

Valoracion NUMERIC (18,2) CompDoc.Valoracion

Cantidad INT CompDoc.Cantidad

DATA MART COMO PARTE DE UNA SOLUCION DE INTELIGENCIA …

Documents

Transcript of DATA MART COMO PARTE DE UNA SOLUCION DE INTELIGENCIA …